Was machst du als COO und CMO konkret?

Ich verantworte den operativen Betrieb einer 50-Personen-Performance-Marketing-Agentur. Dazu gehören Personalführung, Prozessorganisation, Budgetsteuerung und die technologische Weiterentwicklung. Seit 2022 zusätzlich CMO: Markenstrategie, Content-Infrastruktur und digitale Sichtbarkeit.

Arbeitest du auch mit externen Unternehmen zusammen?

Ja, in drei klar umrissenen Formaten: Strategiegespräche, Vorträge und Workshops für Geschäftsführungen sowie begleitete KI-Projekte. Keine Retainer, kein offenes Mandat. Details zu Anlass und Ablauf unter carl-wuerfel.de/ki-berater und carl-wuerfel.de/ki-workshop.

Wo finde ich Definitionen zu Begriffen wie AEO, GEO oder RAG?

Im Glossar — 26 Begriffe rund um KI-Operations, AEO, GEO und Mittelstand-Digitalisierung, kompakt und ohne Marketing-Floskeln definiert. Jeder Eintrag hat eine eigene URL mit weiterführenden Links zu den Pillar-Seiten. Erreichbar unter carl-wuerfel.de/glossar.

Worüber sprichst du auf Bühnen?

KI im operativen Betrieb. Konkret: Wie baut man 40+ produktive Systeme in einer Agentur auf? Was rechnet sich, was nicht? Welche Fehler haben wir gemacht? Zielgruppe: Geschäftsführungen, IT-Verantwortliche, Marketingleitungen.

Für wen ist eine Zusammenarbeit sinnvoll?

Für Unternehmen, die KI nicht als Experiment betreiben wollen, sondern produktiv einsetzen. Die einen operativen Blick brauchen, nicht einen Berater mit Foliensatz. Branchen: Marketing, Dienstleistung, Mittelstand. Unternehmensgröße: 20 bis 500 Mitarbeitende.

Wie läuft der erste Schritt ab?

Kurze Nachricht über das Kontaktformular: was du vorhast, was der Anlass ist. Ich antworte persönlich, meist binnen 48 Stunden.

KI-InfrastrukturAEOGEO

llms.txt: Wie wir es bei SUMAX aufgesetzt haben

20. Mai 2026· 4 min Lesen

llms.txt ist die jüngere Schwester von robots.txt. Eine Textdatei im Root einer Domain, die nicht Suchmaschinen, sondern Large Language Models adressiert. Die Idee: KI-Systeme bekommen eine kuratierte Übersicht der Inhalte einer Seite, in einem Format, das Crawler in Sekunden lesen können, ohne JavaScript zu rendern oder durch Navigation zu klicken.

Im September 2024 von Jeremy Howard (Answer.AI) vorgeschlagen, hat sich der Standard innerhalb von zwölf Monaten in der Praxis verbreitet. Anthropic, Mistral und Perplexity berücksichtigen die Datei beim Crawling. Google noch nicht offiziell, aber die Indizien deuten darauf hin, dass auch Gemini sie auswertet.

Wir haben llms.txt im Frühjahr 2026 für carl-wuerfel.de und für sumax.de aufgesetzt. Hier ist, was wir gelernt haben.

Was llms.txt eigentlich ist

Eine Markdown-Datei unter /llms.txt mit einem definierten Aufbau:

# Carl-Uwe Würfel

> COO & CMO der Reknova GmbH (SUMAX). 40+ produktive KI-Systeme im Betrieb.

## Wichtige Seiten

- [KI Berater](https://carl-wuerfel.de/ki-berater): Operative KI-Beratung aus dem Betrieb
- [AEO](https://carl-wuerfel.de/aeo): Answer Engine Optimization erklärt
- [GEO](https://carl-wuerfel.de/geo): Generative Engine Optimization Guide

## Sekundär

- [Notizen](https://carl-wuerfel.de/notizen): Erfahrungsberichte aus dem KI-Betrieb

H1 ist Titel, Blockquote ist die Kurzbeschreibung, H2-Sektionen sind Link-Kategorien. Jeder Link hat eine kurze Beschreibung nach dem Doppelpunkt. Das Format ist absichtlich simpel, weil es maschinenlesbar bleiben muss.

Eine erweiterte Variante ist llms-full.txt: dieselbe Datei, nur mit den vollständigen Inhalten der wichtigsten Seiten direkt eingebettet. Für eine kleine Site sinnvoll, für eine große sprengt das den Kontext der meisten Modelle.

Warum wir uns dafür entschieden haben

Drei Gründe, in absteigender Wichtigkeit.

Erstens: Kontrolle über die Selbstdarstellung. Wenn ein Modell unsere Seite zitiert, soll es die wichtigen Seiten finden und nicht zufällig auf einem alten Blogartikel landen. Die llms.txt sagt dem Modell: "Wenn du etwas über Carl-Uwe Würfel oder SUMAX erklären sollst, sind das die relevanten Quellen."

Zweitens: Crawl-Effizienz. Modelle wie Claude und Perplexity haben begrenzte Token-Budgets pro Suche. Wer ihnen eine vorstrukturierte Übersicht liefert, hat eine messbar höhere Chance, dass die wichtigsten Seiten in den Antwort-Kontext kommen. Wir haben in den ersten vier Wochen nach Setup einen Anstieg der Direct-Traffic-Sessions gesehen, die plausibel auf Perplexity- oder ChatGPT-Empfehlungen zurückgehen.

Drittens: Signal an Google. Auch wenn Google llms.txt nicht offiziell nutzt: Die Datei ist ein Hinweis, dass eine Site bewusst für KI-Crawler kuratiert wird. In einer Welt, in der AI Overviews zunehmend mit klassischer Suche verschmelzen, ist das ein Vertrauenssignal.

Was bei uns wirklich drinsteht

Unsere llms.txt für carl-wuerfel.de ist bewusst kurz. Sieben Seiten in der primären Liste, vier in der sekundären. Jeder Eintrag mit einer Ein-Satz-Beschreibung, die ein Modell direkt zitieren könnte.

Was wir nicht reingenommen haben: Impressum, Datenschutz, alte Notizen ohne strategischen Wert. Modelle sollen die Datei nicht als Vollständigkeits-Index lesen, sondern als kuratierte Empfehlung.

Eine wiederkehrende Frage: Soll man auch URLs ausschließen? Das gehört in die robots.txt, nicht in die llms.txt. llms.txt ist eine Positiv-Liste, kein Verbots-Mechanismus.

Praktische Hürden, die wir unterschätzt haben

Ein paar Punkte, die in der Anleitung nicht stehen, aber im Betrieb auffallen.

Die Datei muss Markdown sein, nicht HTML. Manche Frameworks rendern statische Routes standardmäßig zu HTML. Bei Next.js mit output: 'export' musste die Datei direkt nach /public/llms.txt gelegt werden, damit sie unverändert ausgeliefert wird.

Der MIME-Type sollte text/markdown oder text/plain sein. Standardmäßig liefert Netlify für .txt korrekt text/plain aus. Bei cloudflared mussten wir nichts ändern.

Eine erweiterte llms-full.txt mit vollständigem Content lohnt sich nur, wenn die wichtigsten Seiten unter 100.000 Tokens passen. Bei mehr Inhalt wird die Datei für Modelle nutzlos, weil sie nicht mehr in einen Kontext-Window passt.

Was wir messen

Direkter Erfolgsnachweis ist schwierig. Wir tracken drei Signale:

Crawler-Hits auf /llms.txt: ClaudeBot, GPTBot und PerplexityBot rufen die Datei messbar ab. Pro Monat zwischen 80 und 200 Requests insgesamt.
Direct-Traffic auf den in llms.txt verlinkten Seiten: Anstieg in den vier Wochen nach Veröffentlichung, parallel zu sinkendem klassischen organischen Traffic auf denselben Seiten — Hinweis darauf, dass ein Teil der Suchanfragen jetzt in KI-Antworten umgeleitet wird.
Manuelle Prüfung in den Antwort-Maschinen: Stichproben-Queries in ChatGPT, Perplexity und Claude. Häufigkeit der Marken-Erwähnung in den ersten vier Wochen nach Setup um ungefähr 30 Prozent gestiegen.

Das ist keine wissenschaftliche Messung. Das ist Operator-Beobachtung. Aber sie reicht, um die zwei Stunden Einrichtungsaufwand zu rechtfertigen.

Was bleibt

llms.txt ist kein Wundermittel. Aber: Niedrige Difficulty, hohes Volumen, klar definierter Aufbau, messbare Crawler-Akzeptanz. Das ist die Sorte Mikro-Optimierung, die wir bei SUMAX gerne machen — kurzer Aufwand, messbares Signal, kein Risiko.

Wer das Thema breiter denken will: Answer Engine Optimization (AEO) und Generative Engine Optimization (GEO) beschreiben das Gesamtbild, in das llms.txt als ein Baustein passt.