DEV Community: Tsari Bombelli

llms.txt: Funktioniert es wirklich? Was Server-Logs zeigen

Tsari Bombelli — Fri, 24 Jul 2026 14:11:01 +0000

Die Datei ist auf 844'000 Websites ausgerollt (BuiltWith, Stand 25. Oktober 2025). Ob GPTBot, ClaudeBot oder PerplexityBot sie tatsächlich abholen, ist eine Frage, die nur der eigene Server-Log beantwortet. Dieser Post liefert die Methodik.

TLDR

Standard existiert seit September 2024, vorgeschlagen von Jeremy Howard (Answer.AI / fast.ai), dokumentiert auf llmstxt.org.
Verbreitung wächst, Nutzung nicht bewiesen: 844'000 Sites laut BuiltWith (Stand 25. Oktober 2025), aber kein grosser KI-Anbieter hat offiziell bestätigt, dass der Inhalt zur Inferenz verwendet wird.
Googles Position: John Mueller verglich llms.txt im April 2025 mit dem historischen keywords-Meta-Tag und schrieb, Server-Logs zeigten, dass KI-Services die Datei nicht einmal anfragen.
Semrush-Experiment auf Search Engine Land (August bis Oktober 2025): null Besuche von GPTBot, ClaudeBot, PerplexityBot oder Google-Extended auf der llms.txt in zehn Wochen.
Praktische Konsequenz: implementieren bleibt sinnvoll als günstige Vorbereitung, aber der Evidenzstand für Wirkung ist heute leer. Die eigene Prüfung läuft über den Server-Log, nicht über Tool-Dashboards.

Der Hype und seine Grenzen

llms.txt ist in zwölf Monaten vom Vorschlag einer einzelnen Person zur Standard-Empfehlung in fast jedem GEO- und KI-SEO-Artikel geworden. Ahrefs, Semrush, Yoast, Neil Patel und Dutzende Agenturen publizieren Setup-Guides. BuiltWith zählte zum Stand 25. Oktober 2025 über 844'000 Domains mit einer llms.txt im Root-Verzeichnis. Zum Vergleich: robots.txt wird grob geschätzt auf über 100 Millionen Sites ausgeliefert, das ist also noch zwei Grössenordnungen entfernt, aber der Zuwachs pro Quartal ist steil.

Der Widerspruch: parallel zur Adoption gibt es kein einziges öffentliches Statement von OpenAI, Anthropic oder Google, dass ihre Systeme die Datei zur Inferenz oder zum Training nutzen. Anthropic selbst hostet zwar eine llms.txt unter docs.anthropic.com, aber das ist die Client-Seite (Dokumentations-Hosting) und keine offizielle Unterstützung für die Server-Seite (Crawling und Verwertung).

Diese Asymmetrie zwischen Hype und Evidenz ist das Problem, das dieser Post angeht. Der Fokus ist methodisch: wie prüft man die tatsächliche Wirkung selbst, ohne auf Tool-Vendor-Aussagen angewiesen zu sein?

Was llms.txt ist und was es verspricht

Kurze Rekapitulation für Einsteigerinnen. Eine Vertiefung mit Datei-Aufbau, Beispielen und Best Practices steht im Haupt-Guide zu llms.txt.

llms.txt ist eine Textdatei im Markdown-Format, abgelegt unter example.com/llms.txt. Jeremy Howard schlug den Standard am 3. September 2024 vor. Der Zweck laut llmstxt.org: "provide information to help LLMs use a website at inference time". Die Datei enthält einen Titel, eine Zusammenfassung und kuratierte Links zu den wichtigsten Unterseiten mit kurzen Beschreibungen.

Das Versprechen: ein KI-System, das Fragen über die Marke oder Branche beantwortet, liest llms.txt als Kontextsignal, versteht die Website schneller, priorisiert die richtigen Inhalte und zitiert die Quelle korrekter. Der Mechanismus ist plausibel, die Empirie fehlt.

Die Evidenz-Lücke

Google hat sich als erster grosser Player explizit geäussert. John Mueller schrieb im April 2025 auf Reddit, zitiert im Search Engine Journal:

"AFAIK none of the AI services have said they're using LLMs.TXT (and you can tell when you look at your server logs that they don't even check for it). To me, it's comparable to the keywords meta tag."

Der Vergleich mit dem keywords-Meta-Tag sitzt. Dieses Tag war in den späten 1990er-Jahren der Versuch, Webmastern eine Deklarations-Schnittstelle für Suchmaschinen zu geben. Google hat es spätestens 2009 öffentlich als Ranking-Signal verworfen, weil es zu leicht zu manipulieren war und Cross-Check mit dem eigentlichen Seiteninhalt unumgänglich war. Muellers Punkt: auch llms.txt ist eine selbstdeklarierte Datei. Ein KI-System müsste die Angaben gegen den tatsächlichen Seiteninhalt verifizieren, sonst ist sie Einfallstor für Manipulation. Der Verifikations-Overhead macht die Datei redundant.

Semrush hat die These im eigenen Haus getestet. Auf Search Engine Land, einer Schwester-Property, wurde eine llms.txt zwischen Mitte August und Ende Oktober 2025 ausgerollt. Ergebnis laut Semrush-Blog: null Besuche von Google-Extended, GPTBot, PerplexityBot und ClaudeBot über den gesamten Beobachtungszeitraum. Googlebot und Bingbot riefen die Datei ab, behandelten sie aber ohne Sonderstatus.

Ahrefs zog im selben Zeitraum die gleiche Konsequenz. Ryan Law, Director of Content Marketing, schreibt, es gebe "no evidence that llms.txt improves AI retrieval, boosts traffic, or enhances model accuracy". Ahrefs empfiehlt eigene Bot-Analytics und tatsächliches AI-Brand-Monitoring.

Eine einzelne Erhebung von Flavio Longato über 1'000 Adobe-Experience-Manager-Domains (30 Tage CDN-Logs, ein Audit, kein Mehrfach-Set) zeigte ähnliches: Googlebot-Desktop belegte dort 94,9 Prozent aller Zugriffe auf die llms.txt-Dateien, OAI-SearchBot 1,1 Prozent. GPTBot, ClaudeBot und PerplexityBot tauchten nicht auf. Die Zahl stammt aus dieser einen Auswertung und ist kein Durchschnitt über mehrere Studien. Qualitativ deckt sich das Bild mit Community-Diskussionen: Ein Domain-Host mit über 20'000 Sites berichtete auf Reddit, dass ausschliesslich BuiltWith-ähnliche Discovery-Crawler die Datei abholten, keine Inferenz-Bots.

Wie Sie selbst prüfen: Server-Log-Methodik

Die einzige belastbare Evidenz für die eigene Domain kommt aus dem eigenen Access-Log. Tool-Dashboards, Blog-Posts anderer und Vendor-Aussagen ersetzen das nicht, weil Bot-Verhalten pro Domain und Zeitraum variiert. Die folgende Methodik funktioniert für Apache-, Nginx- und CDN-Logs im Combined-Log-Format.

Schritt 1: Ziel-User-Agents definieren

Die öffentlich dokumentierten Bots der grossen KI-Anbieter, zu denen Log-Evidenz sinnvoll ist:

Bot	Anbieter	Funktion
`GPTBot`	OpenAI	Training-Crawler
`OAI-SearchBot`	OpenAI	Search-Index für ChatGPT-Suche
`ChatGPT-User`	OpenAI	Live-Fetch für ChatGPT-Nutzersessions
`ClaudeBot`	Anthropic	Training-Crawler
`Claude-SearchBot`	Anthropic	Search-Index für Claude-Suche
`Claude-User`	Anthropic	Live-Fetch in Nutzersessions
`PerplexityBot`	Perplexity	Search-Crawler (respektiert robots.txt)
`Perplexity-User`	Perplexity	Live-Fetch in Nutzersessions
`Google-Extended`	Google	Gemini-Training-Signal (opt-out-Token)
`Applebot-Extended`	Apple	KI-Training-Signal
`CCBot`	Common Crawl	Upstream-Datensatz für viele LLMs
`Bytespider`	ByteDance	Training-Crawler

Die Funktionen lassen sich an den Anbieter-Primärquellen festmachen. OpenAI dokumentiert GPTBot, OAI-SearchBot und ChatGPT-User mit publizierten IP-Ranges und trennt dabei den Trainings-Crawler (GPTBot) von der ChatGPT-Suche (OAI-SearchBot) und dem Live-Fetch in Nutzersessions (ChatGPT-User). Anthropic dokumentiert ClaudeBot, Claude-SearchBot und Claude-User samt IP-Liste (Stand der Anthropic-Doku: 15. Juni 2026) und führt Trainings-Crawler, Suche und Live-Fetch ebenfalls getrennt. Die älteren Strings anthropic-ai und Claude-Web führt Anthropic nicht mehr auf. Perplexity trennt analog PerplexityBot (Suche, respektiert robots.txt) von Perplexity-User (Live-Fetch bei Nutzerfragen). Diese Trennung schärft die Auswertung: ein OAI-SearchBot-Treffer auf llms.txt hat eine andere Bedeutung als ein reiner GPTBot-Trainingsbesuch.

Die Liste ist nicht vollständig. Microsofts Bingbot wird in manchen Audits als KI-Bot mitgezählt, weil Bing-Resultate in Copilot einfliessen. Discovery-Crawler wie BuiltWith oder verschiedene Agentur-Scanner tauchen ebenfalls auf und werden häufig als "KI-Crawler" fehlinterpretiert. Wer sauber trennen will, pflegt die Liste explizit.

Schritt 2: grep und awk auf dem Access-Log

Für eine Apache- oder Nginx-Installation mit Combined-Log-Format ist der einfachste Einstieg:

# Alle Zugriffe auf llms.txt der letzten 30 Tage
grep "llms.txt" /var/log/nginx/access.log | awk -F\" '{print $6}' | sort | uniq -c | sort -rn

# Nur Zugriffe der bekannten KI-Bots auf llms.txt
grep "llms.txt" /var/log/nginx/access.log | \
  grep -E "GPTBot|OAI-SearchBot|ChatGPT-User|ClaudeBot|Claude-SearchBot|Claude-User|PerplexityBot|Perplexity-User|Google-Extended|Applebot-Extended|CCBot|Bytespider" | \
  awk '{print $1, $4, $9, $(NF-1)}'

# Pro Bot zählen
grep "llms.txt" /var/log/nginx/access.log | \
  grep -oE "GPTBot|OAI-SearchBot|ChatGPT-User|ClaudeBot|Claude-SearchBot|Claude-User|PerplexityBot|Perplexity-User|Google-Extended|Applebot-Extended|CCBot|Bytespider" | \
  sort | uniq -c | sort -rn

Wer rotierte Logs hat (access.log.1.gz, access.log.2.gz etc.), ersetzt grep durch zgrep oder iteriert mit einer Schleife. Für CDNs (Cloudflare, Fastly, CloudFront) sieht der Log-Pfad anders aus, das Prinzip bleibt: Pfad-Filter auf llms.txt, dann User-Agent-Filter.

Schritt 3: Gegenprobe mit vergleichbarer Seite

Der kritische Punkt ist die Gegenprobe. Ein Null-Ergebnis auf llms.txt ist nur dann interpretierbar, wenn die KI-Bots überhaupt sonstwo auf der Domain auftauchen. Daher parallel eine vergleichbare URL (robots.txt, sitemap.xml oder eine typische Content-Seite) prüfen:

# Vergleichsprobe: dieselben Bots auf robots.txt
grep "robots.txt" /var/log/nginx/access.log | \
  grep -oE "GPTBot|OAI-SearchBot|ChatGPT-User|ClaudeBot|Claude-SearchBot|Claude-User|PerplexityBot|Perplexity-User|Google-Extended|Applebot-Extended|CCBot|Bytespider" | \
  sort | uniq -c | sort -rn

# Vergleichsprobe: dieselben Bots gesamt auf der Domain
grep -oE "GPTBot|OAI-SearchBot|ChatGPT-User|ClaudeBot|Claude-SearchBot|Claude-User|PerplexityBot|Perplexity-User|Google-Extended|Applebot-Extended|CCBot|Bytespider" \
  /var/log/nginx/access.log | sort | uniq -c | sort -rn

Wenn GPTBot die Domain hundertmal crawlt, aber llms.txt null mal: klare Evidenz für Desinteresse. Wenn GPTBot die Domain null mal crawlt, sagt das Null-Ergebnis auf llms.txt wenig aus. Der Befund muss in der richtigen Relation stehen, sonst ist er methodisch wertlos.

Schritt 4: Zeitraum

LLM-Bots crawlen seltener als Googlebot. Ein Beobachtungsfenster von unter 14 Tagen ist unzureichend. Das Semrush-Experiment lief über gut zehn Wochen, das ist eine sinnvolle Mindestgrösse. Besser: 60 bis 90 Tage, idealerweise gekoppelt mit einem konkreten Publikationsereignis (neue Content-Seite, prominent verlinkt) als Trigger.

Schritt 5: Verifikation via Reverse-DNS

User-Agent-Strings sind beliebig fälschbar. Wer wirklich sauber arbeiten will, verifiziert die IP-Range der auftauchenden Bots via Reverse-DNS. OpenAI dokumentiert die GPTBot-IPs öffentlich (die Range steht unter openai.com/gptbot.json), Anthropic ebenfalls (die IP-Liste liegt unter claude.com/crawling/bots.json). Für die meisten Setups im Schweizer Mittelstand ist das Over-Engineering, aber wer Server-Log-Ergebnisse in einem Audit oder Pitch verwendet, sollte diesen Schritt einplanen.

Was offizielle Tool-Vendoren sagen

Das Marktbild ist gespalten. Grob drei Lager:

Position	Vertreter	Kernargument
Pro-Implementation	Yoast, Publii, Neil Patel, diverse Agenturen	Günstig, risikoarm, zukunftssichernd
Skeptisch-neutral	Ahrefs, Semrush, Wix Studio	Fehlende Evidenz, Experimente negativ, Fokus auf messbare Alternativen
Ablehnend	Google (John Mueller), mehrere Log-Auditoren	Keywords-Meta-Tag-Analogie, kein Nutzungssignal in Logs

Die Lagerverteilung ist interessanter als sie aussieht. Die Pro-Implementation-Seite argumentiert fast ausschliesslich normativ ("sollte sein"), die Skeptiker und Ablehnenden argumentieren empirisch ("ist in den Logs nicht sichtbar"). Wer Evidenz will, bekommt sie zurzeit nur vom zweiten und dritten Lager.

Empfehlung: implementieren, aber ohne Erwartungsmanagement-Fehler

Die pragmatische Position für den Schweizer Mittelstand mit begrenzten Ressourcen:

Datei ausliefern. Kosten sind minimal (eine Markdown-Datei im Root), Downside null. Falls OpenAI, Anthropic oder Google den Standard 2026 oder 2027 offiziell übernehmen, ist die Infrastruktur bereit. Der konkrete Ablauf steht im Guide zum Hochladen und Prüfen.
Keinen Sichtbarkeits-Impact erwarten. Wer heute implementiert und im nächsten Monat auf mehr Perplexity-Zitate hofft, wird enttäuscht sein. Das ist nicht der Wirkmechanismus, auch nicht in den Vendor-Guides.
Log-Monitoring einrichten. Ein wöchentlicher Cron-Job, der die grep-Befehle ausführt und die Ergebnisse in eine Textdatei schreibt, reicht. Wer die Datei in sechs Monaten wieder anschaut, hat Evidenz in der Hand und keine Meinung. Wie sich diese Log-Evidenz in ein vollständiges Monitoring einfügt, steht unter KI-Sichtbarkeit messen.
Kein A/B-Test-Narrativ bauen. "Wir haben llms.txt implementiert und sind jetzt in ChatGPT-Antworten sichtbarer" ist ohne kontrollierte Studie nicht zulässig. Auch Search Engine Lands Zehn-Sites-Studie zeigte: wo Traffic stieg, lagen parallele Änderungen vor (PR-Coverage, neue FAQs, restrukturierte Produktseiten), nicht die llms.txt war der Hebel.

Die Alternative und Ergänzung

llms.txt ist nicht der einzige Kontext-Hebel für KI-Crawler und auch nicht der wichtigste. Die derzeit belegbaren Signale, an denen KI-Systeme ihre Quellenauswahl orientieren:

Schema.org-Markup (Article, Organization, FAQ, Breadcrumb, Author). Wird von GPTBot und ClaudeBot nachweislich geparst, weil es im gerenderten HTML steckt und nicht separat abgefragt werden muss.
robots.txt mit expliziten User-Agent-Regeln. Ob der eigene Content für KI-Training freigegeben oder geblockt wird, steuert robots.txt heute schon effektiv. Es ist eine Erlaubnis- und Verbotsschnittstelle für den Zugriff, die den Inhalt selbst nicht beschreibt.
Hohe Fact-Density im Content. Konkrete Zahlen, Daten, Zitate mit Quelle, klar attribuierte Autorinnen. KI-Systeme bevorzugen Quellen, die beim Fact-Check standhalten.
Saubere semantische HTML-Struktur. H1 bis H3 hierarchisch, nicht dekorativ. Klare Paragraphen. Listen für Aufzählungen. Faktisch liefert sauberes semantisches HTML dieselbe Struktur wie Markdown, nur als HTML ausgeliefert.
Autoren-Bios und E-E-A-T-Signale. Verlinkte Biografien, LinkedIn-Profile, institutionelle Zugehörigkeit.

Diese Hebel gehören längst zum Standard-SEO-Handwerk und sind messbar wirksam. Wie sich diese Massnahmen konkret umsetzen lassen, steht in den Massnahmen für die Website-Optimierung. llms.txt oben drauf zu legen kostet wenig und ergänzt sie.

Für Schweizer B2B-Unternehmen, die ihre KI-Sichtbarkeit systematisch aufbauen wollen, ist die sinnvolle Reihenfolge: erst die belegbaren Signale sauber auf die Site bringen, dann llms.txt als Vorbereitung für den Fall, dass der Standard 2026 offizielle Unterstützung bekommt.

FAQ

Funktioniert llms.txt wirklich?

Die Datei wird von 844'000 Websites ausgeliefert (Stand 25. Oktober 2025, BuiltWith), aber kein grosser LLM-Anbieter hat offiziell bestätigt, dass GPTBot, ClaudeBot, PerplexityBot oder Google-Extended llms.txt für Inferenz nutzen. Googles John Mueller verglich den Standard im April 2025 mit dem historischen keywords-Meta-Tag. Eine Server-Log-Erhebung von Flavio Longato über 1'000 AEM-Domains (30 Tage CDN-Logs, ein Audit) zeigt, dass LLM-spezifische Bots die Datei dort nicht anfragten, mehrheitlich wurde sie von SEO-Crawlern wie BuiltWith abgeholt.

Wie prüfe ich selbst, ob GPTBot meine llms.txt liest?

Server-Logs nach dem String llms.txt grepen und die User-Agent-Spalte auswerten. Für Apache und Nginx reicht ein Einzeiler mit grep und awk. Relevante User-Agents: GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-SearchBot, Claude-User, PerplexityBot, Perplexity-User, Google-Extended, Applebot-Extended, CCBot, Bytespider. Mindestens 30 Tage Beobachtungszeitraum ansetzen, besser 60 bis 90.

Welche Bots crawlen llms.txt aktuell?

Die bisher detaillierteste öffentliche Erhebung (Flavio Longato, 1'000 AEM-Domains, 30 Tage CDN-Logs, ein Audit) zeigt Googlebot-Desktop mit 94,9 Prozent der Zugriffe auf llms.txt-Dateien (behandelt die Datei aber wie jeden normalen Text). OAI-SearchBot erscheint dort bei 1,1 Prozent der Requests. GPTBot, ClaudeBot und PerplexityBot tauchen in dieser Auswertung gar nicht auf. Der Rest kommt von SEO-Tools wie BuiltWith, die Verbreitung tracken, nicht von KI-Systemen, die den Inhalt verwenden.

Soll ich llms.txt trotzdem implementieren?

Ja, mit realistischem Erwartungsmanagement. Die Datei ist günstig, risikoarm und signalkonsistent mit anderen strukturierten Daten. Sie ist aber kein aktuell belegter Ranking- oder Sichtbarkeitsfaktor. Behandeln Sie llms.txt als Frühwarn-Infrastruktur für den Fall, dass Anthropic oder OpenAI den Standard später offiziell übernehmen, nicht als heutigen Performance-Hebel.

Was ist die Alternative zu llms.txt?

Die derzeit evidenzbasierten Hebel für KI-Sichtbarkeit: saubere robots.txt mit expliziter Regelung für GPTBot und ClaudeBot, Schema.org-Markup (Article, Organization, FAQ), hohe Fact-Density in den Kerninhalten, klare Autoren-Attribution mit Bio-Links und Markdown-kompatible, semantisch strukturierte HTML-Ausgabe. Diese Signale werden von den KI-Crawlern nachweislich verarbeitet und sind der Teil, der heute schon Sichtbarkeit generiert.

Quellen

Jeremy Howard, llmstxt.org. Original-Spezifikation, vorgeschlagen am 3. September 2024.
BuiltWith Trends: llms.txt Usage Statistics. Primärquelle der Adoptionszahl 844'000 Sites (Stand 25. Oktober 2025).
Roger Montti, Google Says LLMs.txt Comparable To Keywords Meta Tag, Search Engine Journal, April 2025. Enthält das vollständige Mueller-Zitat.
George Nguyen, Does llms.txt matter? We tracked 10 sites to find out, Search Engine Land. 90-Tage-Präpost-Vergleich auf zehn Sites.
OpenAI Crawlers Documentation. Funktion und publizierte IP-Ranges von GPTBot, OAI-SearchBot und ChatGPT-User.
Anthropic: Does Anthropic crawl data from the web. ClaudeBot, Claude-SearchBot und Claude-User samt IP-Liste.
Ryan Law, What Is llms.txt, and Should You Care About It?, Ahrefs-Blog. Skeptische Einordnung mit Bot-Analytics-Bezug.
Semrush-Team, llms.txt: Does Your Website Need One?, Semrush-Blog. Dokumentiert das Search-Engine-Land-Experiment August bis Oktober 2025.
Flavio Longato, LLMs.txt: Why AI Crawlers Ignore It (2025 Audit). Log-Auswertung über 1'000 AEM-Domains, 30 Tage CDN-Logs.

Dieser Beitrag ist zuerst im Blog von Bombelli Analytics erschienen. Tsari Bombelli ist Gründer von Bombelli Analytics in Luzern und misst mit transparenter Methodik, wie ChatGPT, Claude, Gemini und Perplexity über Schweizer Unternehmen sprechen.

Wie googelt ChatGPT? Fan-out Queries verstehen

Tsari Bombelli — Fri, 24 Jul 2026 14:06:53 +0000

ChatGPT und andere LLMs suchen nicht wie Menschen. Sie nutzen Fan-out Queries: mehrere parallele Suchanfragen, um Informationen schnell und umfassend zu sammeln.

Zusammenfassung

ChatGPT löst eine Anfrage nicht mit einer einzelnen Suche. Das System schreibt sie in mehrere gezielte Suchanfragen um (Fan-out Queries), sammelt Ergebnisse aus verschiedenen Perspektiven und synthetisiert sie zu einer Antwort. Für Content-Strategien heisst das: Wer bei mehreren dieser Sub-Queries auftaucht, wird mit höherer Wahrscheinlichkeit zitiert. Dieser Artikel erklärt den Mechanismus, ordnet ihn anbieterübergreifend ein und zeigt konkrete Optimierungsansätze.

Was sind Fan-out Queries?

Wenn Sie ChatGPT eine Frage stellen, die aktuelles Wissen erfordert, läuft im Hintergrund mehr als eine einzelne Google-Suche. Das System "fächert" die Anfrage in mehrere parallele Suchanfragen auf. OpenAI beschreibt das im eigenen Help Center: ChatGPT schreibt Ihre Anfrage in eine oder mehrere gezielte Suchanfragen um und nennt das selbst query fanout.

Ein Beispiel: Sie fragen "Welche nachhaltigen Tourismusanbieter gibt es in der Schweiz?"

So könnte ein Fan-out illustrativ aussehen (konstruierte Beispiele, keine Logs):

"nachhaltige Reiseveranstalter Schweiz"
"Eco-Tourism Schweiz Anbieter"
"zertifizierte nachhaltige Hotels Schweiz"
"umweltfreundliche Aktivitäten Schweizer Alpen"

Warum mehrere Suchanfragen?

Die Strategie hat drei Vorteile gegenüber einer einzelnen Suche:

Verifikation: Wenn mehrere unabhängige Quellen dieselbe Information liefern, steigt die Vertrauenswürdigkeit. Fan-out Queries erlauben Cross-Referencing automatisch.
Perspektiven: Unterschiedliche Formulierungen liefern unterschiedliche Ergebnisse. "Eco-Tourism" und "nachhaltiger Tourismus" führen zu verschiedenen, aber relevanten Websites.
Abdeckung: Komplexe Fragen haben mehrere Dimensionen. Fan-out Queries decken diese systematisch ab und gehen damit über eine breite, aber oberflächliche Einzelsuche hinaus.

Das Muster ist nicht ChatGPT-spezifisch. Auch Google nutzt nach eigener Darstellung eine query fan-out technique, die eine Frage in Teilthemen zerlegt und gleichzeitig viele Suchanfragen absetzt. Perplexity zerlegt komplexe Fragen ebenfalls in Sub-Queries und macht die einzelnen Schritte oft sichtbar.

Wie funktioniert der Prozess?

Der typische Ablauf eines Fan-out Search:

Query-Generierung: Das LLM analysiert die Nutzeranfrage und generiert mehrere spezifische Suchanfragen
Parallele Suche: Alle Queries werden gleichzeitig an die Suchmaschine geschickt
Ergebnis-Sammlung: Die Top-Ergebnisse jeder Suche werden gesammelt
Deduplizierung: Identische URLs werden zusammengeführt
Ranking: Quellen, die in mehreren Suchergebnissen erscheinen, werden höher gewichtet
Content-Extraktion: Die relevantesten Seiten werden gecrawlt und analysiert
Synthese: Das LLM erstellt eine Antwort basierend auf den extrahierten Informationen

Was bedeutet das für Ihre Content-Strategie?

Fan-out Queries verändern, welche Inhalte sichtbar werden. Drei Implikationen:

Hebel	Warum es zählt	Beispiel
Keyword-Variationen	Fan-out Queries nutzen verschiedene Formulierungen. Wer nur einen Begriff abdeckt, verpasst Sub-Queries.	Neben "nachhaltiger Tourismus" auch "Eco-Tourism", "umweltfreundliches Reisen", "grüne Ferien"
Thematische Autorität	Wer bei mehreren parallelen Suchanfragen auftaucht, wird mit höherer Wahrscheinlichkeit als Quelle zitiert.	Ein breites Content-Cluster deckt mehr Sub-Queries ab als eine einzelne Seite.
Spezifische Unterseiten	Eine Hauptseite "Services" deckt selten alle Sub-Queries ab. Dedizierte Seiten für Teilaspekte sind stärker.	"Nachhaltige Bergtouren", "Eco-Hotels", "CO2-neutrale Anreise"

Wie Sie diese Hebel konkret umsetzen, von Keyword-Variationen über thematische Autorität bis zur internen Verlinkung, zeigt der ausführliche Leitfaden dazu, wie Sie Ihre Website für ChatGPT optimieren.

Fan-out Queries in der Praxis analysieren

Das Fan-out-Verhalten lässt sich teilweise direkt nachvollziehen. Fachpublikationen haben das beobachtete Fan-out-Verhalten von ChatGPT (über den internen web.run-Schritt) bereits dokumentiert. Diese drei Wege zeigen das Muster:

ChatGPT mit Browsing: Zeigt manchmal die verwendeten Suchanfragen an
Perplexity: Macht Suchanfragen oft transparent sichtbar
GEO-Audits: Systematische Tests zeigen, bei welchen Query-Variationen Sie erscheinen. Bombelli prüft ein Thema dafür über ChatGPT, Claude, Gemini und Perplexity, misst transparent, bei welchen Formulierungen Sie auftauchen, und liefert die Rohdaten als Excel. Wie sich daraus belastbare Kennzahlen ableiten lassen, zeigt der Beitrag dazu, wie Sie KI-Sichtbarkeit messen; den operativen Ablauf beschreibt ein systematischer Prompt-Audit.

Typische Fan-out-Muster

So könnte ein Fan-out illustrativ aussehen (konstruierte Beispiele, keine Logs). Zwei Fälle:

Produktsuche

Nutzeranfrage: "Beste CRM-Software für KMU"

"CRM Software KMU Schweiz"
"CRM Vergleich kleine Unternehmen"
"Top CRM-Systeme 2026"
"CRM Software Bewertungen"

Lokale Anfrage

Nutzeranfrage: "Restaurants mit veganer Küche in Zürich"

"vegan Restaurant Zürich"
"pflanzliche Küche Zürich"
"vegane Restaurants Zürich Bewertungen"
"beste vegane Lokale Zürich 2026"

Optimierung für Fan-out Queries

Vier Massnahmen, die direkt auf den Fan-out-Mechanismus einzahlen:

Decken Sie ein Thema mit mehreren Formulierungen ab, damit verschiedene Sub-Queries Sie finden.
Beantworten Sie wiederkehrende Fragen zum Thema direkt auf der Seite.
Hinterlegen Sie strukturierte Daten nach schema.org, damit Suchsysteme Zusammenhänge erkennen.
Verlinken Sie verwandte Inhalte intern, damit ein Cluster sichtbar wird.

Grenzen von Fan-out Queries

Die Methode hat Einschränkungen. Jede zusätzliche Suche kostet API-Credits und Zeit, was die Anzahl paralleler Queries begrenzt. Bei sehr spezifischen Nischenthemen kann ein breiter Fan-out sogar verwässern: Wenn kaum relevante Ergebnisse existieren, sinkt die Qualität der Synthese. Und selbst mit dem cleversten Fan-out-Mechanismus bleibt ein LLM auf das angewiesen, was die Suchmaschine in ihrem Index hat.

FAQ: Fan-out Queries. Häufige Fragen

Wie viele Suchanfragen macht ChatGPT pro Frage?

OpenAI nennt keine feste Zahl. Im eigenen Help Center schreibt das Unternehmen, ChatGPT formuliere Ihre Anfrage in eine oder mehrere gezielte Suchanfragen um. Bei einfachen Fragen reicht eine Handvoll, bei komplexen Themen werden es mehr. Anbieter- und Branchenschätzungen streuen entsprechend breit, von wenigen bis zu über einem Dutzend pro Antwort. Wichtig ist deshalb weniger die genaue Zahl als die Tatsache, dass mehrere Formulierungen Ihres Themas gleichzeitig gesucht werden.

Nutzen alle KI-Suchsysteme Fan-out?

Das Muster ist anbieterübergreifend. ChatGPT zerlegt Anfragen in mehrere gezielte Suchanfragen, Googles AI Mode nennt das nach eigener Darstellung query fan-out technique und Perplexity zerlegt komplexe Fragen sichtbar in Teilschritte. Der Mechanismus gilt damit über alle grossen Anbieter hinweg und ist Standard moderner KI-Suche.

Kann man die einzelnen Sub-Queries sehen?

Bei Perplexity sind die Sub-Queries oft direkt sichtbar, bei ChatGPT mit Browsing teilweise. Vollständig messbar wird das Muster über einen systematischen GEO-Audit: Sie testen ein Thema mit vielen Formulierungen über ChatGPT, Claude, Gemini und Perplexity und sehen, bei welchen Sub-Queries Ihre Inhalte auftauchen und bei welchen nicht.

Fazit

Fan-out Queries sind ein grundlegendes Konzept, um zu verstehen, wie LLMs mit Web-Zugriff arbeiten. Für Content-Strategien bedeutet das: Thematische Tiefe und semantische Breite sind wichtiger als einzelne Keyword-Rankings. Genau dieses Zusammenspiel beschreibt das Konzept LLMO (Large Language Model Optimization).

Wenn Sie wissen möchten, bei welchen Variationen und Formulierungen Ihre Inhalte gefunden werden, hilft ein GEO-Audit mit systematischen Prompt-Tests.

llms.txt erklärt: Der Standard für KI-Crawler und LLMs

Tsari Bombelli — Fri, 24 Jul 2026 14:03:47 +0000

llms.txt ist ein maschinenlesbarer Standard, der KI-Systemen strukturierte Informationen über Ihre Website bereitstellt. Aufbau, Best Practices und praktische Implementierung für bessere KI-Sichtbarkeit bei ChatGPT, Claude, Gemini und Perplexity.

Zusammenfassung

llms.txt beantwortet eine einfache Frage: Wie teilen Websites KI-Systemen mit, worauf sie optimiert sind? Die Datei folgt einem klaren Markdown-Format und liegt im Root-Verzeichnis. So verstehen ChatGPT, Claude und Perplexity Ihre Website besser und zitieren Ihre Inhalte häufiger. Dieser Guide zeigt den Aufbau, häufige Fehler und was in der Praxis funktioniert.

Was ist llms.txt?

llms.txt ist eine Textdatei im Markdown-Format, die im Root-Verzeichnis einer Website liegt (unter example.com/llms.txt). Sie enthält strukturierte Informationen, die speziell für Large Language Models und KI-Crawler gedacht sind. Der Standard wurde am 3. September 2024 von Jeremy Howard (Answer.AI) vorgeschlagen.

Die Datei folgt einem festen Aufbau: Erforderlich ist nur eine H1-Überschrift mit dem Projekt- oder Website-Namen. Darunter folgen optional eine kurze Zusammenfassung als Blockquote (>) und H2-Sektionen mit Link-Listen zu den wichtigsten Inhalten, jeweils mit kurzer Beschreibung. Ergänzend gibt es eine ausführliche Voll-Variante, die llms-full.txt heisst und die gesamte Dokumentation als ein Markdown-Dokument bündelt. Anthropic stellt diese Voll-Variante für die eigene Entwickler-Dokumentation bereit.

Aufbau einer llms.txt-Datei

Der Aufbau folgt der offiziellen llms.txt-Spezifikation. Eine typische llms.txt-Datei sieht so aus:

# Bombelli Analytics

> KI-Reputationsanalyse und Generative Engine Optimization (GEO)

## Über uns
Wir analysieren, wie KI-Systeme wie ChatGPT, Claude, Gemini und Perplexity
Unternehmen in ihren Antworten darstellen. Mit transparenten Daten,
Excel-Export und priorisierten Handlungsempfehlungen.

## Services
- [GEO-Audit](https://bombelli-analytics.ch/services): Einmalige Analyse
- [Monitoring](https://bombelli-analytics.ch/services): Monatlicher Re-Test
- [Methodik](https://bombelli-analytics.ch/methodik): Unser Ansatz

## Resources
- [Blog](https://bombelli-analytics.ch/blog): Analysen & Einordnung
- [Glossar](https://bombelli-analytics.ch/glossar): Begriffe erklärt
- [FAQ](https://bombelli-analytics.ch/faq): Häufige Fragen

Diese Struktur ist intuitiv: Ein Titel mit #, eine Zusammenfassung mit >, dann Sektionen mit ## und darunter Links mit Beschreibungen. KI-Systeme können diesen Aufbau automatisch parsen und verstehen sofort, was Ihre Website tut und welche Inhalte am wichtigsten sind.

Warum ist llms.txt wichtig für GEO?

Wenn KI-Systeme Ihre Website besuchen, müssen sie entscheiden, welche Inhalte relevant sind und wie sie diese interpretieren. Eine llms.txt-Datei hilft dabei auf drei Arten:

Fokussierung: Sie zeigen dem System ohne langes Crawling, welche Seiten am wichtigsten sind
Kontext: Sie liefern Zusammenfassungen, die das Verständnis verbessern und das Risiko von Missinterpretationen senken
Struktur: Sie machen komplexe Websites navigierbar für KI-Crawler und sparen dem System Rechenressourcen

Eine llms.txt fasst in wenigen Zeilen zusammen, was Ihre Website anbietet und welche Seiten am wichtigsten sind. Genau diese Klarheit hilft einem KI-System bei der Einordnung.

Das Ergebnis: Wenn ChatGPT oder Claude eine Frage zu Ihrem Themengebiet beantworten, haben sie eine höhere Chance, Ihre Inhalte korrekt zu verstehen und als Quelle zu nutzen. Gerade im B2B kann KI-Sichtbarkeit den Unterschied machen, weil Kaufentscheidungen dort recherche-getrieben sind und die korrekte Darstellung in KI-Antworten früh in den Auswahlprozess einfliesst.

Welche KI-Systeme nutzen llms.txt?

Hier lohnt sich Ehrlichkeit: Eine Datei bereitstellen heisst nicht, dass die grossen KI-Crawler sie auch abholen. Statt einer pauschalen Ja-Liste zeigt die folgende Tabelle den tatsächlich beobachteten Evidenzstand:

System / Crawler	Holt die Datei ab?	Einordnung
OpenAI (GPTBot)	Vereinzelt in Server-Logs beobachtet	Einziges Crawler-Signal mit gemischter Evidenz
Anthropic (ClaudeBot)	Kein verlässlicher Nachweis in Server-Logs	Anthropic nutzt eine eigene llms.txt für die Doku, holt fremde aber kaum
Perplexity	Kein klarer Nachweis in Server-Logs	Quellenauswahl läuft über normales Crawling und Indexierung
Google (Gemini, AI Overviews)	Offiziell nicht unterstützt	Google crawlt die Datei nach eigener Aussage nicht

Anthropic stellt für die eigene Entwickler-Dokumentation eine llms.txt und eine ausführliche llms-full.txt bereit. Google unterstützt den Standard für die Suche dagegen offiziell nicht: Gary Illyes von Google Search Central sagte am 24. Juli 2025, Google unterstütze llms.txt offiziell nicht und plane das auch nicht. Wie verlässlich die Datei in der Praxis abgeholt wird, lässt sich nur empirisch beantworten: Ob die grossen KI-Crawler die Datei tatsächlich abholen, zeigen Server-Logs aus unserer eigenen Auswertung.

Best Practices für llms.txt

Damit Ihre llms.txt-Datei optimal funktioniert, beachten Sie folgende Punkte:

1. Klarheit vor Vollständigkeit

Listen Sie einige wenige, klar priorisierte Seiten auf. Zu viele Links verwässern den Fokus und machen es schwerer für KI-Systeme, Ihre Prioritäten zu erkennen. Eine kurze, fokussierte llms.txt wird nach unserer Einschätzung zuverlässiger verarbeitet als eine lange Linkliste.

2. Aussagekräftige Beschreibungen

Schreiben Sie für jede verlinkte Seite eine kurze Beschreibung (1-2 Sätze), die erklärt, was dort zu finden ist. Vermeiden Sie Marketing-Floskeln und bleiben Sie sachlich. "GEO-Audit für B2B-Unternehmen: Analyse Ihrer KI-Sichtbarkeit bei ChatGPT, Claude und Perplexity" ist besser als "Revolutionäre Lösung für KI-Sichtbarkeit".

3. Aktualität

Halten Sie die Datei aktuell. Wenn sich Ihre wichtigsten Inhalte ändern oder Sie neue Services starten, passen Sie die llms.txt entsprechend an. Veraltete Informationen können KI-Systemen schaden, da sie widersprüchliche Signale empfangen.

4. Markdown-Formatierung

Nutzen Sie Markdown-Überschriften (##), Listen (-) und Links ([Text](URL)) für klare Strukturierung. KI-Systeme können Markdown gut parsen und interpretieren es konsistent. Vermeiden Sie komplexe HTML oder proprietäre Formate.

Häufige Fehler vermeiden

Diese Fehler sollten Sie bei der Erstellung vermeiden:

Zu generisch: "Unsere Dienstleistungen" ist weniger hilfreich als "GEO-Audit: Einmalige KI-Reputationsanalyse für 1000+ Seiten"
Zu werblich: Nennen Sie prüfbare Fakten wie Preise, Seitenzahlen und Zielgruppe und verzichten Sie auf Superlative
Veraltete Links: Prüfen Sie regelmässig, dass alle Links funktionieren und auf aktuelle Inhalte zeigen
Inkonsistente Struktur: Halten Sie sich an das Markdown-Schema: keine Mischung aus Markdown und HTML
Zu viele Inhalte: Halten Sie die Datei schlank. Eine kurze, klar priorisierte llms.txt wird zuverlässiger verarbeitet als eine lange

llms.txt und robots.txt: Der Unterschied

Während robots.txt Crawlern sagt, was sie nicht tun sollen (z.B. bestimmte Bereiche nicht indexieren), sagt llms.txt KI-Systemen, was sie priorisieren sollen. Die beiden Dateien ergänzen sich:

robots.txt: Technische Zugriffssteuerung für alle Crawler
llms.txt: Inhaltliche Orientierungshilfe speziell für KI-Systeme

Sie können beide gleichzeitig nutzen, ohne dass es zu Konflikten kommt. robots.txt kann Bereiche blockieren (z.B. Login-Seiten), während llms.txt gleichzeitig die Best-Landing-Pages listet.

Schweizer Perspektive: llms.txt und der Datenschutz (DSG)

Eine llms.txt liegt im Root-Verzeichnis und ist öffentlich abrufbar: Jeder kann ihre-domain.ch/llms.txt im Browser aufrufen. Die Datei versteckt nichts und verarbeitet keine Personendaten. Sie verweist nur auf Inhalte, die Sie ohnehin öffentlich kommunizieren wollen. Bei korrekter Nutzung berührt sie das Schweizer Datenschutzgesetz (DSG/revDSG) deshalb nicht.

Die praktische Handlungsempfehlung folgt direkt aus dieser öffentlichen Abrufbarkeit: Nehmen Sie keine internen Pfade, keine Kundendaten und keine nicht-öffentlichen Informationen in die llms.txt auf. Was dort steht, ist für jeden offen lesbar. Behandeln Sie die Datei wie eine öffentliche Visitenkarte Ihrer Website. Das passt zu unserem Ansatz bei Bombelli Analytics: transparente, nachvollziehbare Daten und ein klarer Schweizer DSG-Fokus.

Nächste Schritte: Implementierung

Sie möchten llms.txt implementieren? Hier ist der typische Prozess:

Verstehen: Sie wissen jetzt, was llms.txt ist und warum es wichtig ist für bessere KI-Sichtbarkeit
Erstellen: Nutzen Sie praktische Tools und Generatoren für Ihre llms.txt
Hochladen: Folgen Sie unserem Guide zum Hochladen und Prüfen
Testen: Nutzen Sie KI-Systeme (ChatGPT, Claude) um zu prüfen, ob sie Ihre Datei auslesen
Messen: Ein Prompt Audit zeigt den Effekt messbar auf KI-Sichtbarkeit. Wie Sie den Effekt messen, fassen wir im Mess-Überblick mit fünf Metriken zusammen
Optimieren: Ein professionelles GEO-Audit zeigt alle Optimierungsmöglichkeiten im Kontext Ihrer Gesamtstrategie

Weitere Informationen finden Sie auch in unserem Methodologie-Artikel zu Generative Engine Optimization und unserem detaillierten LLMO-Guide.

Häufige Fragen zu llms.txt

Was ist llms.txt?

llms.txt ist eine Textdatei im Markdown-Format, die im Root-Verzeichnis einer Website liegt. Sie enthält den Namen der Website als H1, eine kurze Zusammenfassung als Blockquote und darunter H2-Sektionen mit priorisierten Links und Beschreibungen. Der Standard wurde am 3. September 2024 von Jeremy Howard (Answer.AI) vorgeschlagen.

Warum ist llms.txt wichtig für GEO?

Eine llms.txt fasst in wenigen Zeilen zusammen, was Ihre Website anbietet und welche Seiten am wichtigsten sind. Genau diese Klarheit hilft einem KI-System bei der Einordnung Ihrer Inhalte. Gerade im B2B, wo Kaufentscheidungen recherche-getrieben sind, kann die korrekte Darstellung in KI-Antworten den Unterschied machen.

Welche KI-Systeme nutzen llms.txt?

Einige Systeme können llms.txt auslesen, die tatsächliche Abholung durch die grossen Crawler ist aber begrenzt. Google unterstützt den Standard für die Suche offiziell nicht (Gary Illyes, Google Search Central, 24. Juli 2025). Ob die grossen KI-Crawler die Datei tatsächlich abholen, zeigt unsere Server-Log-Auswertung.