Das LLMO-Framework: Ein Standard für KI-Auffindbarkeit

Das LLMO-Framework definiert sechs Kernkomponenten, die bestimmen, ob KI-Systeme Ihre Inhalte finden, verstehen und korrekt zitieren können.

Möchten Sie zuerst das Konzept verstehen, lesen Sie Was ist LLMO?; wollen Sie sofort loslegen, folgen Sie dem 30-Minuten-Quickstart.

Die sechs Komponenten

1. Wissensklarheit

Ist Ihr Inhalt klar genug, damit KI ihn richtig verstehen und zusammenfassen kann?

• Verwenden Sie klare, eindeutige Sprache
• Definieren Sie Schlüsselbegriffe explizit
• Liefern Sie strukturierte Fakten (wer, was, wann, wo)
• Vermeiden Sie Fachjargon ohne Erklärung

2. Strukturierte Formatierung

Ist Ihr Inhalt für die maschinelle Verarbeitung strukturiert?

• Verwenden Sie semantisches HTML und Markdown
• Implementieren Sie JSON-LD Structured Data
• Stellen Sie eine llms.txt für KI-spezifische Inhalte bereit
• Organisieren Sie Inhalte hierarchisch

3. Abrufsignale

Können KI-Systeme Ihre Inhalte finden, wenn sie diese benötigen?

• Stellen Sie Crawlbarkeit sicher (robots.txt, sitemap.xml)
• Bieten Sie maschinenlesbare Endpunkte an (/ai/, .md-Dateien)
• Implementieren Sie den llms.txt-Standard
• Machen Sie Inhalte nach Möglichkeit über APIs verfügbar

4. Autoritätssignale

Demonstriert Ihr Inhalt Fachkompetenz und Vertrauenswürdigkeit?

• Autorenangabe mit überprüfbaren Referenzen
• Plattformübergreifende Präsenz (GitHub, LinkedIn, Publikationen)
• Konsistente Informationen über alle Plattformen hinweg
• Evidenzbasierte Aussagen mit Quellenangaben

5. Zitiersignale

Enthält Ihr Inhalt Referenzen, die KI verifizieren kann?

• Verlinken Sie auf Primärquellen
• Geben Sie Veröffentlichungsdaten an
• Liefern Sie Versionsinformationen
• Verweisen Sie auf wissenschaftliche Arbeiten und offizielle Dokumentation

6. Kohärenzsignale

Erzählt dieselbe Tatsache auf jeder von KI gelesenen Oberfläche dieselbe Geschichte?

• Single Source of Truth für jede numerische oder faktische Aussage
• KI-exklusive Oberflächen (llms.txt, /ai/*.md) werden aus denselben Daten wie das HTML erzeugt
• Kanonischer Host und Trailing-Slash-Policy werden überall durchgesetzt
• Keine doppelten JSON-LD-Entitäten für dieselbe @id

Bewertung

Jede Komponente wird auf einer Skala von 0-3 bewertet:

Punktzahl	Stufe	Beschreibung
0	Keine	Komponente nicht berücksichtigt
1	Basis	Minimale Umsetzung
2	Gut	Solide Umsetzung mit Verbesserungspotenzial
3	Exzellent	Best-Practice-Umsetzung

Maximale Punktzahl: 18 Punkte (6 Komponenten x 3 Punkte)

Selbstbewertungs-Checkliste

Bewerte deine Site anhand jeder Komponente. Was du sicher abhaken kannst, zählt 1 Punkt; ziele auf 3 Häkchen pro Komponente für die Höchstpunktzahl.

1. Wissensklarheit (max. 3)

• Jede Seite beginnt mit einem Ein-Satz-Antwort auf ihre Hauptfrage (Answer-first)
• Domänenspezifische Begriffe werden bei der ersten Verwendung definiert (kein unerklärter Jargon)
• Jeder Absatz enthält eine einzige Idee (keine Mehrfach-Aussage-Absätze)

2. Strukturierte Formatierung (max. 3)

• Seiten verwenden semantische H1 → H2 → H3-Hierarchie ohne Übersprünge
• Jede sinnvolle Seite gibt JSON-LD aus (Article / TechArticle / FAQPage / Product / Organization usw.)
• Vergleichsinhalte verwenden Tabellen, keine Prosa-Listen

3. Abrufsignale (max. 3)

• /llms.txt existiert im Site-Root und listet wichtige Seiten
• /ai/-Verzeichnis liefert sauberes Markdown für jedes Hauptthema (bei mehrsprachiger Site auch pro Sprache)
• robots.txt erlaubt GPTBot, ClaudeBot, PerplexityBot, Google-Extended explizit; sitemap.xml ist erreichbar

4. Autoritätssignale (max. 3)

• Autor hat eine überprüfbare Bio mit sameAs-Links zu LinkedIn / GitHub / X / Publikationsprofilen
• Dieselbe Identität (Name, Rolle, Themenfokus) erscheint konsistent auf mindestens 3 Plattformen
• Site verlinkt zu Originalforschung, Büchern oder Papers, die der Autor tatsächlich veröffentlicht hat

5. Zitiersignale (max. 3)

• Jede Aussage mit einer Zahl zitiert eine Quelle mit Name und Jahr
• Jede Seite zeigt sowohl datePublished als auch dateModified (in JSON-LD oder sichtbarem Meta)
• Vergleichsinhalte referenzieren Industriestandards (W3C, RFC, ISO, schema.org) mit Name und Link

6. Kohärenzsignale (max. 3)

• Jede numerische / faktische Aussage hat eine einzige kanonische Quelldatei, die überall sonst referenziert wird
• KI-Oberflächen (llms.txt, /ai/*.md, URL.md-Endpunkte) werden aus denselben Daten wie das HTML erzeugt
• CI prüft dateiübergreifende Drift bei wichtigen Kennzahlen; keine doppelte JSON-LD-Entität für dieselbe @id

Bewertungsleitfaden

Gesamt	Band
16–18	Produktionsreif — wird aktiv von KI-Systemen zitiert
11–15	Gut — sichtbar für KI, aber inkonsistent
6–10	Teilweise — erhebliche Lücken bei Abruf, Autorität oder Kohärenz
0–5	Unsichtbar — beginne mit /llms.txt, robots.txt und JSON-LD

Höhere Punktzahl gewünscht? Jede Komponentenseite (Wissensklarheit, Strukturierte Formatierung, Abrufsignale, Autoritätssignale, Zitiersignale, Kohärenzsignale) listet die spezifischen Implementierungen auf, die den Score von 1 → 2 → 3 bewegen.