Agent Discovery Files: llms.txt und ADF für KI-Web-Architektur

Agent Discovery Files und llms.txt beschreiben ein praktisches Setup aus KI Discovery Files: llms.txt kann Sprachmodellen Orientierung zu wichtigen Website-Inhalten geben, während ADF als Berger+Team-Architekturansatz maschinenlesbare Identität, Markeninformationen, FAQ, Rechtehinweise, Knowledge Catalog und API-Endpunkte bündelt.

Wichtig ist die Einordnung: llms.txt ist aktuell eine Konvention beziehungsweise ein Proposal und kein offizieller Standard wie ein ratifizierter W3C- oder IETF-Standard. Die Datei ersetzt weder SEO noch strukturierte Daten auf Deiner Website, noch eine saubere Informationsarchitektur. Laut der llms.txt-Proposal-Seite von Jeremy Howard geht es um eine vorgeschlagene Markdown-Datei, die LLM-freundliche Informationen bereitstellt. Die Quelle findest Du am Ende des Artikels.

Discovery-Dateien sind kein Steuerungsinstrument für KI-Antworten. Discovery-Dateien können Orientierung schaffen, maschinelle Interpretierbarkeit verbessern und Governance sichtbar machen. Discovery-Dateien garantieren aber keine Zitierung in ChatGPT, Google AI Overviews oder anderen KI-Antworten.

Ich schreibe diesen Ratgeber aus der Praxis mit KMU in Bozen, Südtirol und dem DACH-Raum. In über 20 Jahren Branding, Webentwicklung und Digitalstrategie habe ich gelernt: Kleine Unternehmen brauchen keine zusätzliche technische Komplexität. Kleine Unternehmen brauchen ein verständliches System, das Marke, Leistungen, Standorte, Kontaktwege und Rechte sauber erklärt — für Menschen, Suchmaschinen und zunehmend auch für KI-Agenten.

Agent Discovery Files und llms.txt: Was Discovery-Dateien leisten

llms.txt ist eine Textdatei im Stammverzeichnis einer Website, meist unter /llms.txt. Die Datei kann wichtige Seiten, Dokumentationen, Leistungsbereiche oder FAQ so kuratieren, dass Sprachmodelle und Tools einen schnelleren Einstieg in die Website-Struktur bekommen. Das Ziel ist Orientierung, nicht Kontrolle.

Agent Discovery Files, kurz ADF, sind bei uns kein allgemeingültiger Branchenstandard. ADF ist ein Berger+Team-Architekturansatz: ein Set aus maschinenlesbaren Dateien und Schnittstellen, das einer Website eine klarere maschinenlesbare Identität gibt. Ich nutze ADF als Architektur-Pattern, nicht als Norm.

Ein ADF-Setup kann zum Beispiel folgende Bausteine enthalten:

• Identitätsdateien: Firmenname, Standort, Rechtsform, Ansprechpartner, Sprachen, Region und Leistungsbereiche.
• Markendateien: Positionierung, Tonalität, Werte, Zielgruppen, Ausschlüsse und Kommunikationsregeln.
• FAQ-Dateien: häufige Fragen mit klaren Antworten, die intern konsistent mit der Website sind.
• Rechte- und Nutzungsdateien: Hinweise dazu, wie Inhalte verwendet, zitiert oder nicht genutzt werden sollen.
• API-Endpunkte: strukturierte Zugänge zu Leistungen, Kontakt, FAQ, Referenzen oder einem Knowledge Catalog.

Der Unterschied zur klassischen Website ist einfach: Eine Website ist zuerst für Browser und Menschen gestaltet. Discovery-Dateien ergänzen die Website um eine maschinenlesbare Schicht. Diese Schicht kann KI-Agenten helfen, schneller zu verstehen, wer Du bist, was Du anbietest, welche Inhalte wichtig sind und welche Regeln gelten.

KI Web-Architektur: robots.txt, Schema.org, Google-Extended und ADF

In Gesprächen mit Auftraggebern merke ich oft, dass verschiedene technische Dateien in einen Topf geworfen werden. Genau dort entstehen falsche Erwartungen. Deshalb ist die Abgrenzung wichtig:

• robots.txt: robots.txt gehört zum Robots Exclusion Protocol. RFC 9309 beschreibt, dass Dienste Regeln in einer Datei namens /robots.txt bereitstellen, die Crawler beim Zugriff auf URI-Pfade beachten sollen.
• Schema.org: Strukturierte Daten nach Schema.org beschreiben Inhalte semantisch maschinenlesbar, zum Beispiel Unternehmen, Personen, Produkte, Leistungen, Artikel oder FAQ. Schema.org beschreibt sich selbst als kollaborative Community-Aktivität für strukturierte Daten im Web.
• Google-Extended: Google-Extended ist laut Google ein eigenständiges Produkt-Token für robots.txt. Websitebetreiber können damit bestimmte Nutzungen durch Gemini Apps, Vertex AI API for Gemini und Grounding steuern, ohne damit automatisch Google Search grundsätzlich zu blockieren.
• llms.txt: llms.txt kann eine priorisierte, LLM-freundliche Orientierung zu wichtigen Inhalten geben. llms.txt ist derzeit aber ein Proposal beziehungsweise eine offene Konvention.
• ADF: Agent Discovery Files bündeln bei Berger+Team Identität, Marke, FAQ, Rechte, Knowledge Catalog und API-Endpunkte zu einem Architektur-Pattern für KI-Agenten.

robots.txt gibt Crawler-Hinweise. Schema.org beschreibt Entitäten und Inhalte. Google-Extended betrifft bestimmte Google-AI-Nutzungen. llms.txt kuratiert Inhalte für LLM-Kontexte. Agent Discovery Files bündeln Geschäftsidentität und Agenten-Zugriff.

Was Discovery-Dateien nicht versprechen dürfen

Ich halte wenig davon, KMU mit unrealistischen Versprechen in neue Technologien zu treiben. Eine llms.txt-Datei oder ein ADF-Set kann Deine Website nicht automatisch in KI-Antworten bringen. Discovery-Dateien verhindern auch keine Halluzinationen. Discovery-Dateien ersetzen keine fachliche Substanz, keine klare Positionierung und keine technische Qualität.

Für Google Search gilt laut Google Search Central: AI Overviews und AI Mode können relevante Links anzeigen, aber Google nennt keine zusätzlichen Spezialanforderungen für die Teilnahme über grundlegende Search-Best-Practices hinaus. Daraus folgt: Technische Discovery-Dateien können hilfreich sein, aber keine Zitierung einzelner Websites garantieren.

Was Discovery-Dateien leisten können, ist konkreter und trotzdem wertvoll:

• Orientierung: Wichtige Inhalte werden explizit benannt statt im Seitenrauschen versteckt.
• Konsistenz: Unternehmensdaten, Leistungen und Markenbegriffe werden an einer maschinenlesbaren Stelle gepflegt.
• Governance: Rechte, Kontaktwege und Aktualitätsregeln werden dokumentiert.
• Wiederverwendbarkeit: Dieselben Daten können Website, App, Shop, KI-Agenten und interne Systeme versorgen.
• Weniger Datenchaos: Teams arbeiten mit einer klareren Quelle der Wahrheit statt mit verstreuten PDFs, alten Texten und widersprüchlichen Angaben.

Der Berger+Team-Architekturansatz: ADF als maschinenlesbare Identität

Bei Berger+Team in Bozen denken wir Website, Branding, Marketing und KI nicht getrennt. Eine Website ist für mich kein digitales Prospekt. Eine gute Website ist ein strukturiertes Betriebssystem für Unternehmenswissen.

ADF baut genau darauf auf. Der Ansatz beginnt nicht bei Technik, sondern bei Identität: Wer bist Du? Für wen arbeitest Du? Welche Probleme löst Du? Welche Leistungen bietest Du an? Was darf über Deine Marke gesagt werden? Welche Aussagen wären falsch oder irreführend?

Wenn diese Fragen nicht geklärt sind, hilft auch die beste Datei nicht. Dann macht KI schneller sichtbar, dass die Grundlage unscharf ist. Deshalb verbinden wir Agent Discovery Files fast immer mit Markenarbeit, Informationsarchitektur und technischer Umsetzung. Wenn Du diese Grundlage sauber aufbauen willst, ist unsere Website-Strategie und Webentwicklung der praktische Rahmen dafür.

Ein sinnvolles ADF-Minimum für KMU

Ein inhabergeführtes Unternehmen braucht nicht sofort eine komplexe Agenten-Plattform. Für viele KMU reicht zuerst ein schlankes Minimum:

• llms.txt: kuratierte Übersicht der wichtigsten Inhalte, Leistungen, Ratgeber und Kontaktpunkte.
• identity.json: maschinenlesbare Identität mit Name, Standort, Region, Sprache, Branche und Kontakt.
• brand.txt: Positionierung, Tonalität, Werte und klare Ausschlüsse.
• faq-ai.txt: wichtigste Fragen und Antworten in präziser, zitierfähiger Sprache.
• ai.txt: Hinweise zu Content-Rechten, Zitierung, Nutzung und Kontakt bei Lizenzfragen.

Erst wenn ein Betrieb mehrere Systeme, viele Inhalte, mehrere Sprachen oder automatisierte Prozesse hat, werden API-Endpunkte und ein erweiterter Knowledge Catalog besonders relevant.

KMU-Quickcheck: Bist Du bereit für llms.txt und ADF?

Bevor Du Dateien erzeugst, prüfe Deine Grundlage. Dieser Quickcheck verhindert technische Detailarbeit ohne strategischen Nutzen:

• Seitenstruktur: Gibt es klare Seiten für Leistungen, Zielgruppen, FAQ, Über uns und Kontakt?
• Leistungsdaten: Sind Deine Angebote eindeutig benannt und auf allen Seiten gleich formuliert?
• NAP-Daten: Sind Name, Adresse und Telefonnummer konsistent, besonders bei lokalen Betrieben in Südtirol?
• FAQ: Beantwortet Deine Website echte Fragen, die Interessenten vor einer Anfrage stellen?
• Schema.org: Nutzt Deine Website strukturierte Daten für Organisation, LocalBusiness, Artikel, Leistungen oder FAQ?
• Content-Rechte: Ist klar, welche Inhalte zitiert, übernommen oder nicht für KI-Nutzung verwendet werden sollen?
• Aktualität: Sind alte Leistungen, Preise, Teamdaten und Kontaktwege bereinigt?
• Interne Verlinkung: Sind Leistungsseiten, Ratgeber, FAQ und Kontakt logisch miteinander verbunden?
• Mehrsprachigkeit: Sind Deutsch, Italienisch und gegebenenfalls Englisch sauber getrennt und nicht vermischt?
• Kontaktpunkte: Gibt es eindeutige Übergänge von Information zu Anfrage, Telefon, E-Mail oder Formular?

Wenn Du bei mehr als drei Punkten unsicher bist, würde ich zuerst die Website-Architektur klären. Ein guter Einstieg ist unser Beitrag zur KI-ready Website als Fundament für KMU, weil dort die Grundlogik hinter btlabs Core erklärt wird.

Agent Discovery Files in der Praxis: So setzen wir ADF bei berger.team um

Unser eigenes Setup auf berger.team ist kein allgemeines Pflichtmodell. Es ist ein Implementierungsbeispiel aus unserer Arbeit. Wir testen daran, wie Website-Inhalte, Markenidentität, Discovery-Dateien und API-Endpunkte zusammenspielen können.

Die Basis bilden Dateien wie /llms.txt, /llms-full.txt, /robots.txt, /robots-ai.txt, /ai.txt, /ai.json, /.well-known/ai-plugin.json, /brand.txt, /faq-ai.txt, /developer-ai.txt und /.well-known/security.txt. Dazu kommen strukturierte Schnittstellen über ein Agent-Gateway. Diese API-Endpunkte stellen ausgewählte Informationen wie Unternehmensprofil, Leistungen, FAQ, Kontakt, Suche und Inhalte maschinenlesbar bereit.

Der Kern ist nicht die Anzahl der Dateien. Der Kern ist die Rollenverteilung:

• llms.txt: gibt inhaltliche Orientierung und verweist auf wichtige Bereiche.
• Identity-Dateien: erklären, wer Berger+Team ist, wo wir arbeiten und welche Leistungen wir anbieten.
• Brand-Dateien: beschreiben Tonalität, Haltung und Positionierung.
• FAQ-Dateien: liefern kurze, überprüfbare Antworten auf wiederkehrende Fragen.
• API-Endpunkte: ermöglichen programmatischen Zugriff auf strukturierte Daten.
• Knowledge Catalog: bündelt Wissen so, dass Inhalte nicht nur publiziert, sondern systematisch gefunden werden.

Für KMU ist diese Logik besonders wertvoll, wenn mehrere Kanäle dieselben Informationen brauchen: Website, Landingpages, Shop, interne Tools, Newsletter, Angebotsprozesse oder spätere KI-Assistenten. Genau dafür haben wir btlabs Core entwickelt: als digitales Fundament, das Unternehmenswissen strukturiert und wiederverwendbar macht.

Was Du sofort tun solltest, was später kommt und was nicht nötig ist

Sofort sinnvoll

• Informationsarchitektur prüfen: Jede wichtige Seite braucht ein klares Thema und eine klare Aufgabe.
• Leistungsseiten schärfen: Schreibe konkret, für wen eine Leistung gedacht ist, welches Problem sie löst und wie der Ablauf aussieht.
• FAQ ergänzen: Gute FAQ helfen Menschen, Suchmaschinen und KI-Systemen gleichzeitig.
• Schema.org priorisieren: Beginne mit Organisation, LocalBusiness, Artikel, FAQ und Leistungen.
• llms.txt vorbereiten: Nimm nur relevante, aktuelle und strategisch wichtige Inhalte auf.

Später sinnvoll

• ADF-Dateien erweitern: Ergänze Markenregeln, Rechtehinweise, Rollen, Sprachen und Aktualitätslogik.
• API-Endpunkte planen: Nutze Schnittstellen nur für Daten, die wirklich maschinenlesbar gebraucht werden.
• Monitoring aufbauen: Prüfe Serverlogs, Indexierung, Fehler, alte URLs und Aktualität der Discovery-Dateien.
• Mehrsprachigkeit systematisieren: Gerade in Südtirol müssen Deutsch und Italienisch sauber geführt werden.

Nicht nötig

• Jede Unterseite in llms.txt aufnehmen: Eine kuratierte Auswahl ist besser als eine unübersichtliche Vollsammlung.
• API-Endpunkte ohne Zweck bauen: Schnittstellen kosten Pflege. Ohne Geschäftslogik entsteht technische Last.
• Discovery-Dateien als SEO-Ersatz sehen: Ohne gute Inhalte und klare Website-Struktur bleibt die Wirkung begrenzt.
• KI-Sichtbarkeit erzwingen wollen: Sichtbarkeit entsteht aus Substanz, Struktur, Belegen und Wiedererkennbarkeit.

90-Tage-Fahrplan für KMU

Wenn Du llms.txt, Agent Discovery Files und AI Visibility Files strukturiert angehen willst, arbeite in Etappen. So bleibt das Projekt überschaubar.

Tage 1 bis 30: Grundlage und Klarheit

• Website-Audit: Prüfe Seitenstruktur, Ladezeiten, mobile Darstellung, Indexierbarkeit und interne Links.
• Identität klären: Definiere Firmenname, Standort, Leistungen, Zielgruppen, Sprache, Werte und Ausschlüsse.
• Kernseiten priorisieren: Lege fest, welche Seiten für Anfragen, Vertrauen und Expertise entscheidend sind.
• FAQ sammeln: Notiere echte Fragen aus Beratungsgesprächen, Verkauf, Support und E-Mail-Anfragen.
• Begriffe vereinheitlichen: Nutze für Leistungen, Branchen und Probleme überall dieselben Begriffe.

Tage 31 bis 60: Strukturierte Daten und Discovery-Dateien

• Schema.org umsetzen: Starte mit den wichtigsten Entitäten und prüfe die technische Validität.
• llms.txt erstellen: Kuratiere wichtige Inhalte, erkläre die Website und verlinke zentrale Bereiche.
• ADF-Basis anlegen: Erstelle eine Identitätsdatei, brand.txt, faq-ai.txt und eine einfache Rechte-Datei.
• Content bereinigen: Entferne veraltete Aussagen, widersprüchliche Leistungsnamen und tote Links.
• Mehrsprachigkeit prüfen: Ordne deutsche und italienische Inhalte sauber zu.

Tage 61 bis 90: API, Agent-Gateway und Monitoring

• API-Endpunkte auswählen: Starte mit Leistungen, FAQ, Kontakt und Unternehmensprofil.
• Knowledge Catalog strukturieren: Lege fest, welche Inhalte kanonisch sind und welche nur ergänzen.
• Governance definieren: Kläre, wer Dateien pflegt, wann Updates passieren und welche Freigaben nötig sind.
• Monitoring einrichten: Prüfe Fehler, Crawling, Serverlogs und Aktualität der Dateien.
• Iterieren: Passe Inhalte nach echten Anfragen, Suchdaten und Nutzerverhalten an.

Wenn Du dabei Begleitung brauchst, ist unsere Beratung für KI und Digitalisierung bewusst praxisnah aufgebaut: zuerst Strategie, dann Architektur, dann Umsetzung.

Warum Agent Discovery Files für kleine Unternehmen relevant sind

Ich arbeite gern mit inhabergeführten Betrieben, Experten und kleinen Teams, weil dort Entscheidungen direkter sind. Gleichzeitig sind Ressourcen knapper. Deshalb darf digitale Sichtbarkeit nicht aus zufälligen Einzelmaßnahmen bestehen.

Ein Betrieb in Bozen, Meran, Brixen oder im restlichen Südtirol muss nicht mehr kommunizieren als große Anbieter. Der Betrieb muss eindeutiger kommunizieren. Klare Positionierung, saubere Leistungsseiten, echte FAQ, konsistente Daten und maschinenlesbare Identität können kleinen Unternehmen helfen, digital besser verstanden zu werden.

Das ist für mich auch eine Haltungsfrage. Technologie sollte die Kleinen stärken, nicht nur die Großen noch größer machen. Ein Win-Win-Win entsteht dann, wenn Menschen bessere Entscheidungen treffen können, Unternehmen nachhaltiger sichtbar werden und technische Systeme weniger Chaos erzeugen.

Wenn Du das Thema breiter einordnen willst, findest Du in unserem Beitrag zu GEO, SEO, AEO und AAO die passende Grundlage zur Sichtbarkeit in generativen Systemen.

FAQ zu llms.txt, ADF und KI Discovery Files

Ist llms.txt ein offizieller Standard?

Nein. llms.txt ist derzeit eine offene Konvention beziehungsweise ein Proposal und kein offizieller Standard wie ein ratifizierter W3C- oder IETF-Standard. Du kannst llms.txt trotzdem nutzen, solltest die Datei aber als Orientierungshilfe und nicht als garantierten Steuerungsmechanismus verstehen.

Garantiert llms.txt Sichtbarkeit in ChatGPT oder Google AI Overviews?

Nein. llms.txt kann Inhalte kuratieren und maschinelle Orientierung erleichtern, aber keine Aufnahme oder Zitierung in KI-Antworten garantieren. Für Google AI Overviews nennt Google keine speziellen Zusatzanforderungen über grundlegende Search-Best-Practices hinaus.

Was ist der Unterschied zwischen ADF und Schema.org?

Schema.org ist ein etabliertes Vokabular für strukturierte Daten, mit dem Du Inhalte semantisch beschreibst. ADF ist bei Berger+Team ein Architektur-Pattern, das zusätzlich Identität, Marke, FAQ, Rechte, Knowledge Catalog und API-Endpunkte als Discovery-Schicht bündelt.

Was ist der Unterschied zwischen Agent Discovery Files und robots.txt?

robots.txt gibt Crawlern Hinweise, welche Pfade sie abrufen dürfen oder nicht abrufen sollen. Agent Discovery Files beschreiben dagegen maschinenlesbar, wer Dein Unternehmen ist, welche Inhalte wichtig sind und wie KI-Agenten auf strukturierte Informationen zugreifen können.

Braucht jedes KMU API-Endpunkte?

Nein. Viele KMU sollten zuerst Website-Struktur, Schema.org, llms.txt und einfache ADF-Dateien sauber umsetzen. API-Endpunkte lohnen sich erst, wenn Leistungen, FAQ, Verfügbarkeiten, Inhalte oder Prozesse regelmäßig maschinenlesbar wiederverwendet werden sollen.

Sind AI Visibility Files dasselbe wie KI Discovery Files?

Die Begriffe werden oft ähnlich verwendet, sind aber nicht streng standardisiert. Ich nutze KI Discovery Files als Oberbegriff für Dateien, die KI-Agenten Orientierung geben, und AI Visibility Files für Dateien, die Sichtbarkeit, Einordnung und maschinenlesbare Präsentation unterstützen.

Welche Datei sollte ich zuerst erstellen?

Starte mit einer ehrlichen Bestandsaufnahme Deiner wichtigsten Seiten. Danach sind eine einfache llms.txt, eine Identitätsdatei und ein sauberer FAQ-Bereich meist der beste Anfang, weil diese drei Elemente schnell Klarheit schaffen.

Wie oft müssen llms.txt und Agent Discovery Files aktualisiert werden?

Immer dann, wenn sich Leistungen, Standorte, Ansprechpartner, URLs, Positionierung oder wichtige Inhalte ändern. In der Praxis empfehle ich für KMU zusätzlich eine quartalsweise Prüfung, damit Discovery-Dateien nicht veralten.

Kann ich Agent Discovery Files ohne neue Website umsetzen?

Teilweise ja. Du kannst einfache Discovery-Dateien auch auf einer bestehenden Website ergänzen. Wenn die Website aber unklare Inhalte, veraltete Leistungsseiten oder technische Probleme hat, solltest Du zuerst die Grundlage verbessern.

Was ist der größte Fehler bei llms.txt und ADF?

Der größte Fehler ist, technische Dateien als Abkürzung zu verstehen. Wenn Deine Marke, Leistungen und Inhalte unklar sind, machen Discovery-Dateien diese Unklarheit nur maschinenlesbar. Strategie kommt vor Oberfläche und vor Technik.

Schlussgedanken

llms.txt und Agent Discovery Files sind sinnvoll, wenn Du sie richtig einordnest: als Orientierung, Governance und maschinenlesbare Ergänzung zu einer starken Website. llms.txt ist kein offizieller Standard, ADF ist ein Berger+Team-Architekturansatz, und beide ersetzen keine Strategie.

Für KMU ist die wichtigste Entscheidung nicht, ob jede neue Datei sofort perfekt ist. Die wichtigste Entscheidung ist, ob Dein Unternehmen digital eindeutig beschrieben ist: für Menschen, Suchmaschinen und KI-Agenten. Genau dort entsteht nachhaltige AI Visibility.

Mein Rat: Beginne klein, aber sauber. Kläre Deine Identität. Schärfe Deine wichtigsten Seiten. Ergänze strukturierte Daten. Erstelle eine kuratierte llms.txt. Baue Agent Discovery Files nur dort aus, wo ADF wirklich Ordnung, Wiederverwendbarkeit und bessere maschinelle Interpretierbarkeit schafft.

Quellen

1. Jeremy Howard / llmstxt.org: The /llms.txt file — llmstxt.org (2024)
2. IETF / RFC Editor: RFC 9309, Robots Exclusion Protocol — rfc-editor.org (2022)
3. Schema.org — schema.org
4. Google Search Central: Common crawlers — developers.google.com (2025)
5. Google Search Central: AI features and your website — developers.google.com (2025)
6. btlabs Core