{
    "kind": 30023,
    "id": "e1d9017bde083ff74eebbc4df167807eca3295792ad861455157aebe5791dcd2",
    "pubkey": "c1baf4f74cd829963828b1da8d73e52cc94caa6d8dc944f7ca450a75c4b3311f",
    "created_at": 1794150942,
    "tags": [
        [
            "title",
            "LLM-Checker: Warum g\u00e4ngige Pr\u00fcfwerkzeuge falsche Signale messen und welche Kriterien f\u00fcr KI-Crawler wirklich z\u00e4hlen"
        ],
        [
            "d",
            "fachartikel-zu-llm-checker"
        ],
        [
            "summary",
            "Was pr\u00fcft ein LLM-Checker? Warum g\u00e4ngige Tools falsche Signale messen, wie Vercel, Ahrefs und Google Kriterien belegen und wie ein evidenzbasiertes Audit aussieht."
        ],
        [
            "published_at",
            "1794150942"
        ]
    ],
    "content": "# LLM-Checker: Warum g\u00e4ngige Pr\u00fcfwerkzeuge falsche Signale messen und welche Kriterien f\u00fcr KI-Crawler wirklich z\u00e4hlen\n\nDie Optimierung von Webinhalten f\u00fcr k\u00fcnstliche Intelligenz wird in der Fachwelt unter verschiedenen Blickwinkeln diskutiert. Welche redaktionellen Ma\u00dfnahmen die Zitationswahrscheinlichkeit in generativen Antwortmaschinen nachweislich steigern und was Google ausdr\u00fccklich als Rankingfaktor verneint, analysiert [LLM-Optimierung: Was belegt ist, was Herstellerbehauptung bleibt und was Google ausdr\u00fccklich verneint](https://stevennoack.de/artikel/fachartikel-zu-llm-optimierung/). Wie Parser den HTML-Ballast bereinigen und warum die sprachliche Verst\u00e4ndlichkeit eines Textes die Sichtbarkeit erh\u00f6ht, legt [LLM Readability: Warum Sprachmodelle historische Lesbarkeitsformeln abl\u00f6sen und DOM-Ballast KI-Antworten verf\u00e4lscht](https://stevennoack.de/artikel/fachartikel-zu-llm-readability/) dar. Welche Voraussetzungen Betreiber von Unternehmenswebseiten bei robots.txt und serverseitigem HTML erf\u00fcllen m\u00fcssen, beschreibt [Webseite f\u00fcr KI optimieren: Was ChatGPT lesen kann (2026)](https://in48stunden.de/wissen/webseite-datenquelle-fuer-ki/). Welche organischen Rankings n\u00f6tig sind, um in KI-Zusammenfassungen zu erscheinen, und welche Klickverluste entstehen, belegt [Sichtbarkeit in Google AI Overviews: Kriterien f\u00fcr Zitate, Ranking-Daten und Klickverluste](https://stevennoack.de/artikel/fachartikel-zu-sichtbar-ai-overviews/).\n\nDiese Analysen setzen voraus, dass eine Webseite von automatisierten Systemen fehlerfrei erfasst werden kann. Um diesen Zustand vorab zu testen, greifen Betreiber zunehmend auf spezialisierte Audit-Programme zur\u00fcck. An dieser Stelle entsteht eine methodische L\u00fccke: Zahlreiche Werkzeuge, die unter der Bezeichnung \u201eLLM-Checker\u201c im Netz oder auf Entwicklerplattformen wie GitHub kursieren, messen Kriterien, die von den Betreibern der KI-Suchmaschinen ausdr\u00fccklich verneint werden. Gleichzeitig ignorieren sie technische H\u00fcrden, die einen vollst\u00e4ndigen Ausschluss aus generativen Antworten zur Folge haben.\n\n## Vier Bedeutungen eines Begriffs: Was ein LLM-Checker wirklich analysiert\n\nWer nach dem Begriff \u201eLLM-Checker\u201c sucht, st\u00f6\u00dft auf eine vierfache Bedeutungs\u00fcberlagerung, die in der Praxis zu Verwirrung f\u00fchrt:\n\n1. **Website-Audit f\u00fcr KI-Crawler (Agent Readiness und LLM Crawlability):** Diese Pr\u00fcfprogramme analysieren eine \u00f6ffentlich erreichbare Webadresse. Sie untersuchen, ob Bots von OpenAI, Anthropic, Perplexity oder Google die Seite technisch abrufen, den Text ohne Ausf\u00fchrung von Skripten extrahieren und f\u00fcr Antworten heranziehen k\u00f6nnen. Dies ist das Funktionsfeld von Werkzeugen wie dem LLM-Checker auf `codeback.de`, Googles experimentellem Lighthouse-Audit f\u00fcr agentisches Browsen sowie Cloudflares Initiative *isitagentready.com*.\n2. **Hardware- und Speicherpr\u00fcfung f\u00fcr lokale Modelle (Can I run this LLM?):** Befehlszeilenwerkzeuge wie `signerless/llm-checker` oder Webseiten wie `llmcheck.net` pr\u00fcfen die lokale Rechnerausstattung. Sie ermitteln Grafikspeicher (VRAM), Arbeitsspeicher und Speicherbandbreite, um zu berechnen, welche quantisierten Modelle auf dem eigenen System fl\u00fcssig betrieben werden k\u00f6nnen.\n3. **Ausgabe- und Halluzinationspr\u00fcfer (LLM-as-a-Judge):** Frameworks wie TruLens, Ragas, DeepEval oder SelfCheckGPT bewerten generierte Modellantworten automatisiert auf sachliche Korrektheit, Quellentreue und Halluzinationen.\n4. **KI-Texterkennung (AI Detector):** Werkzeuge wie Pangram, GPTZero oder Copyleaks untersuchen statistische Auff\u00e4lligkeiten wie Wortwahlmuster, Perplexit\u00e4t und Satzl\u00e4ngenvarianz, um maschinell erzeugte Texte von menschlicher Schrift zu unterscheiden.\n\nDie Leistungsdaten aus der Google Search Console belegen, worauf die praktische Nachfrage zielt. Auf der Plattform `codeback.de` entfallen im Erhebungszeitraum von 480 Tagen (08.07.2025 bis 31.10.2026) s\u00e4mtliche 381 Impressionen des direkten Begriffsclusters \u201ellm-checker\u201c ausschlie\u00dflich auf das Pr\u00fcfen von Webseiten. Die Landingpage `https://codeback.de/llm-checker/` erzielte in diesem Fenster 1.541 Einblendungen und 70 organische Klicks bei einer durchschnittlichen Position von 7,6. Anfragen wie \u201ellm sichtbarkeitsanalyse tools\u201c, \u201ellms.txt tester\u201c oder \u201ehow can i test if my content is llm-readable\u201c best\u00e4tigen: Gesucht wird ein verl\u00e4sslicher technischer Vorabtest f\u00fcr die eigene Webpr\u00e4senz.\n\n## Die JavaScript-Blindheit der KI-Crawler macht clientseitiges Rendern zum Ausschlusskriterium\n\nDer gravierendste Fehler g\u00e4ngiger Audit-Tools besteht darin, das Rendern von JavaScript als gel\u00f6stes Problem zu behandeln. Webagenturen verweisen h\u00e4ufig darauf, dass Google seit Jahren in der Lage ist, clientseitiges JavaScript \u00fcber einen Headless-Browser auszuf\u00fchren. Diese Annahme trifft auf traditionelle Suchmaschinen zu, verfehlt jedoch die Realit\u00e4t der generativen Antwortsysteme.\n\nEine gro\u00dfskalige Netzwerkanalyse von Vercel und MERJ (ver\u00f6ffentlicht im Dezember 2024 unter dem Titel *The Rise of the AI Crawler*) untersuchte \u00fcber einen Monat hinweg Server-Logs aus dem gesamten weltweiten Vercel-Netzwerk, von nextjs.org und gro\u00dfen Stellenportalen. Die Auswertung lieferte einen eindeutigen Befund: Keiner der gro\u00dfen KI-Crawler f\u00fchrt clientseitiges JavaScript aus. Weder OpenAIs Crawler (`OAI-SearchBot`, `ChatGPT-User`, `GPTBot`) noch Anthropics `ClaudeBot` noch `PerplexityBot` verf\u00fcgen \u00fcber eine JavaScript-Rendering-Pipeline.\n\nZu demselben Ergebnis kommt die Testreihe der Analyseagentur searchVIU (*Schema Markup and AI in 2025*, 02.12.2025). Inhalte, die ausschlie\u00dflich \u00fcber clientseitige Frameworks wie reine React- oder Vue-Single-Page-Applications (SPA) ohne serverseitiges Rendern (SSR) ausgeliefert wurden, blieben f\u00fcr ChatGPT, Claude und Perplexity unsichtbar. Die Crawler erfassen lediglich die initiale HTML-H\u00fclle, die oft nur leere Container wie `<div id=\"root\"></div>` enth\u00e4lt. Lediglich Googlebot (und das darauf aufbauende Gemini-\u00d6kosystem) f\u00fchrt Skripte verz\u00f6gert in einer zweiten Rendering-Welle aus.\n\nF\u00fcr einen LLM-Checker ergibt sich daraus eine harte Konsequenz: Wenn im rohen HTTP-Antwortk\u00f6rper nach Bereinigung der Tags weniger als 150 Zeichen zusammenh\u00e4ngender Text verbleiben, muss das Pr\u00fcfwerkzeug das Gesamtergebnis sofort deckeln. Kein System, das f\u00fcr KI-Antworten optimiert werden soll, darf mit einer leeren Skript-H\u00fclle mehr als 40 von 100 Punkten erzielen. Ein Audit, das bei fehlendem Textinhalt hohe Punktzahlen f\u00fcr Meta-Angaben oder Sicherheitszertifikate verteilt, wiegt Webseitenbetreiber in tr\u00fcgerischer Sicherheit.\n\n## Verwechslung von Training und Suche: Warum das Sperren von GPTBot die Sichtbarkeit nicht gef\u00e4hrdet\n\nEine Analyse popul\u00e4rer Open-Source-Repositories auf GitHub offenbart gravierende Fehlbewertungen bei der Auswertung der `robots.txt`. Das Projekt `geo-seo-claude` (\u00fcber 10.900 Sterne auf GitHub) zieht Webseiten pauschal 15 Punkte ab, wenn der User-Agent `GPTBot` blockiert wird. \u00c4hnlich verf\u00e4hrt das Repository `geo-optimizer-skill` (972 Sterne).\n\nDiese Bewertung widerspricht der offiziellen Dokumentation von OpenAI (*OpenAI Crawler Documentation*, developers.openai.com, Stand November 2026). OpenAI trennt seine Systeme strikt nach Verwendungszweck:\n\n- **`OAI-SearchBot`:** Dieser Bot indexiert Webseiten f\u00fcr die Websuche in ChatGPT Search. Wer `OAI-SearchBot` in der `robots.txt` blockiert, schlie\u00dft seine Inhalte gezielt aus den Suchantworten und Quellenverlinkungen aus.\n- **`GPTBot`:** Dieser Crawler sammelt Daten f\u00fcr das zuk\u00fcnftige Modelltraining. OpenAI stellt klar, dass ein Ausschluss von `GPTBot` keinen Einfluss auf die Auffindbarkeit in Suchfunktionen hat. Betreiber k\u00f6nnen das Verwenden ihrer Texte f\u00fcr das Vortraining von Basismodellen untersagen, ohne ihre Sichtbarkeit in ChatGPT zu verlieren.\n- **`ChatGPT-User`:** Dieser User-Agent f\u00fchrt Aktionen auf direkte Anweisung eines Nutzers im Chat aus, beispielsweise wenn ein Nutzer einen Link zur Zusammenfassung in das Chatfenster einf\u00fcgt.\n\nAnthropic pflegt dieselbe Arbeitsteilung: Der `Claude-SearchBot` dient der Indexierung, w\u00e4hrend `Claude-User` Live-Abrufe auf Nutzerwunsch vornimmt. Perplexity nutzt `PerplexityBot` f\u00fcr den Index und `Perplexity-User` f\u00fcr den situativen Abruf.\n\nEin seri\u00f6ser LLM-Checker darf das Blockieren von reinen Trainings-Bots wie `GPTBot` oder `Google-Extended` daher nicht mit Punktabz\u00fcgen bestrafen. Das Sch\u00fctzen eigener Daten vor ungefragtem Modelltraining ist eine legitime redaktionelle Entscheidung. Punktabz\u00fcge geh\u00f6ren ausschlie\u00dflich auf die Blockade jener User-Agents, die direkt f\u00fcr Suchfunktionen und Zitate verantwortlich sind.\n\n## Der Mythos um llms.txt und Schema.org: 97 Prozent der Dateien erhalten null Bot-Aufrufe\n\nIn der SEO-Branche entstand im Jahr 2025 eine Debatte um machine-readable Textdateien. G\u00e4ngige Repositories belohnen die Bereitstellung einer `/llms.txt` mit bis zu 18 Punkten. Das Framework `afdocs` (Agent-Friendly Documentation Spec) setzt sogar einen harten Deckel bei maximal 59 Punkten an, falls keine solche Datei vorhanden ist.\n\nUmfangreiche Prim\u00e4rdaten belegen, dass dieser Hype an der Praxis der Suchmaschinen vorbeigeht:\n\n1. **Ahrefs-Studie (15.06.2026):** Ahrefs untersuchte 137.210 Domains, die eine `llms.txt`-Datei im Wurzelverzeichnis bereitstellten. 97 Prozent dieser Dateien verzeichneten im Mai 2026 exakt null Zugriffe durch KI-Crawler. Bots suchen nicht initiativ nach diesen Dateien, wenn sie eine Domain analysieren.\n2. **EZY Research (19.07.2026):** In einer zw\u00f6lfw\u00f6chigen Feldmessung \u00fcber 83 Unternehmenswebseiten protokollierte das Team das Abrufverhalten der KI-Anbieter. OpenAI rief 3.990-mal die klassische `robots.txt` ab, aber lediglich 7-mal eine `llms.txt`. Das entspricht einem Verh\u00e4ltnis von 570 zu 1. Anthropic verzeichnete 3.120 Abrufe der `robots.txt` gegen\u00fcber 9 Abrufen der `llms.txt` (346 zu 1). Perplexity rief die Datei kein einziges Mal ab (775 zu 0).\n3. **Google Search Central Leitfaden (10.07.2026):** Im offiziellen Leitfaden zur KI-Optimierung (*AI Optimization Guide*) stellt Google klar: Weder maschinenlesbare Textdateien (`llms.txt`), noch Markdown-Kopien, noch strukturierte Daten nach Schema.org sind f\u00fcr generative Funktionen in Google Search erforderlich. Sie beeinflussen das Ranking weder positiv noch negativ.\n\nDass Google Chrome Lighthouse seit Version 13.3 (Stand Oktober 2026) ein Audit f\u00fcr `llms.txt` im experimentellen Modus *Agentic Browsing* enth\u00e4lt, steht dazu nicht im Widerspruch. Ein Blick in den Quellcode (`core/audits/agentic/llms-txt.js`) zeigt: Lighthouse wertet eine fehlende Datei (HTTP 404) ausdr\u00fccklich als \u201eNot Applicable\u201c und vergibt keinen Punktabzug. Nur echte Serverfehler (HTTP 5xx) f\u00fchren zu Beanstandungen. W\u00e4hrend Lighthouse zuk\u00fcnftige agentische Browserinteraktionen vorbereitet, greifen die realen Crawler der Suchmaschinen weiterhin auf den Standard-HTML-Quelltext zur\u00fcck.\n\n\u00c4hnlich verh\u00e4lt es sich mit Schema.org-Strukturdaten. Die Testreihen von searchVIU zeigten, dass reine JSON-LD-Bl\u00f6cke von Live-Crawlern ignoriert wurden, wenn die Angaben nicht als Flie\u00dftext im sichtbaren DOM standen. Strukturdaten strukturieren bestehende Information, ersetzen aber keinen lesbaren Text. In einem evidenzbasierten LLM-Checker flie\u00dft die `llms.txt` daher mit null Punkten in das Gesamtergebnis ein und wird rein diagnostisch dargestellt.\n\n## F\u00fcnf Sekunden Timeout und zwei Megabyte Datenvolumen setzen feste technische Grenzen\n\nNeben der Interpretation von Skripten unterliegen KI-Crawler strengen Ressourcengrenzen. Betreiber, die komplexe Seitenarchitekturen mit langen Ladezeiten bereitstellen, scheitern an automatisierten Abbr\u00fcchen:\n\n- **Abbruch nach f\u00fcnf Sekunden:** Timing-Benchmarks von Edgecomet und OpenSeoTest (*ChatGPT-User Timeout Benchmark*, Ende 2025) zeigen, dass der User-Agent `ChatGPT-User` bei Live-Abrufen nach exakt f\u00fcnf Sekunden die Verbindung trennt. Antwortet ein Server nicht innerhalb dieser Frist, erh\u00e4lt der Nutzer in ChatGPT die R\u00fcckmeldung, dass die Seite nicht geladen werden konnte. Der Trainings-Bot `GPTBot` wartet im Schnitt bis zu neun Sekunden, bricht danach jedoch ebenfalls ab.\n- **Kappungsgrenze bei zwei Megabyte:** Google dokumentiert im Search Central Blog (31.03.2026), dass der Googlebot HTML-Ressourcen auf maximal zwei Megabyte pro URL (inklusive HTTP-Header) beschr\u00e4nkt. Alle dar\u00fcber hinausgehenden Bytes werden abgeschnitten. Liegt der relevante Flie\u00dftext am Ende eines durch Inline-Styles oder Skripte aufgebl\u00e4hten Dokuments, wird er von der Suchmaschine nicht mehr erfasst.\n- **Robots-Meta-Tags und AI Overviews:** Neben dem klassischen `noindex`-Tag, der Seiten vollst\u00e4ndig aus dem Suchindex entfernt, setzt Google das `nosnippet`-Tag sowie die Direktive `max-snippet:0` als Ausschlusskriterium ein. Laut Googles offizieller Dokumentation zu Robots-Meta-Tags verhindern diese beiden Anweisungen ausdr\u00fccklich, dass Webseiteninhalte als Textbasis f\u00fcr AI Overviews und den KI-Modus verwendet werden.\n\nWeiterleitungen beanspruchen zus\u00e4tzliche Zeit. Die Vercel-Analyse ergab, dass 14,36 Prozent der Abrufe von ChatGPT HTTP-Redirects folgten. Lange Weiterleitungsketten erh\u00f6hen die Latenz und treiben den Abruf gef\u00e4hrlich nah an die F\u00fcnf-Sekunden-Grenze.\n\n## Reale Messungen an 147 Domains zeigen: Schlanke Webseiten schlagen \u00fcberladene Plattformen\n\nDie theoretischen Vorgaben spiegeln sich in den realen Messungen wider. Eine Auswertung der Cloudflare-D1-Datenbank (`codeback-db`), die im Zeitraum vom 16. Dezember 2025 bis 01. Oktober 2026 insgesamt 147 unterschiedliche Kundendomains im LLM-Checker protokollierte, zeigt ein deutliches Gef\u00e4lle:\n\nDie gemessenen Resultate reichen von 3 bis 98 von 100 Punkten. Prominente Gro\u00dfportale schneiden bei automatisierten Abrufen oft verheerend ab: Die Startseite von `amazon.de` erzielte im Audit lediglich 3 Punkte. Die Ursache liegt nicht in fehlendem Inhalt, sondern in vorgeschalteten Sicherheitsfiltern. Web Application Firewalls (WAF) von Anbietern wie Cloudflare oder Akamai stufen automatisierte HTTP-Anfragen externer Pr\u00fcfserver als unberechtigte Zugriffe ein und liefern Abwehrma\u00dfnahmen wie vorgeschaltete Sicherheitsabfragen aus.\n\nEin anderes Problem pr\u00e4gt viele Webseiten kleinerer Betriebe und Freiberufler, die Resultate zwischen 20 und 48 Punkten verzeichneten:\n\n| Domain-Beispiel | Erste Messung | Nachfolgende Tests | Ursache f\u00fcr das Testergebnis |\n|---|---|---|---|\n| `kerstin-mueller-durchblick.info` | 48 Punkte | Verblieb \u00fcber 10 Tests bei 48 Punkten | Clientseitiges Rendern ohne SSR; Flie\u00dftext f\u00fcr Crawler unsichtbar |\n| `wegweiser-homepage.de` | 48 Punkte | Verbesserte sich nach 8 Tests auf 70 Punkte | Entfernung pauschaler Disallow-Zeilen in der robots.txt |\n| Schlanke statische Portfolio-Webseite | 96 Punkte | Konstant 96 bis 98 Punkte | Serverseitiges HTML, schlanker Quellcode (<50 KB), Status 200 |\n\nDie Wiederholungsmessungen verdeutlichen, dass Betreiber ihre Konfiguration gezielt verbessern k\u00f6nnen. Wer die robots.txt bereinigt und Inhalte serverseitig ausliefert, klettert im Score sofort nach oben.\n\n## Das siebenteilige Bewertungsmodell: Welche Kriterien in ein belegtes Audit geh\u00f6ren\n\nUm die Diskrepanz zwischen verbreiteten Mythen und nachgewiesenen Anforderungen aufzul\u00f6sen, st\u00fctzt sich ein evidenzbasierter LLM-Checker auf sieben messbare S\u00e4ulen. Dieses Modell liegt dem Pr\u00fcfstandard von `codeback.de` zugrunde und vergibt maximal 100 Punkte:\n\n| Pr\u00fcfkriterium | Gewichtung | K.-o.-Bedingung | Technische Begr\u00fcndung |\n|---|---|---|---|\n| **Textinhalt ohne JavaScript** | 25 Punkte | Deckel auf max. 40 Punkte bei <150 Zeichen | Vercel/MERJ belegen: Kein KI-Crawler rendert JavaScript. Leere H\u00fcllen bleiben unsichtbar. |\n| **robots.txt f\u00fcr Such-Bots** | 25 Punkte | Deckel auf max. 40 Punkte bei Komplettsperre | `OAI-SearchBot`, `Claude-SearchBot` und `PerplexityBot` m\u00fcssen freigegeben sein. |\n| **Erreichbarkeit und Weiterleitungen** | 20 Punkte | Punktabzug bei Status ungleich 200 oder >10 Hops | Google und OpenAI verlangen saubere Zielseiten ohne Login-Schranken. |\n| **Robots-Meta-Tags (noindex, nosnippet)** | 20 Punkte | `noindex` deckelt bei 40 Punkten, `nosnippet` kostet 10 | `nosnippet` verhindert laut Google die Nutzung in AI Overviews. |\n| **Antwortzeit und Dateigr\u00f6\u00dfe** | 5 Punkte | Keine Deckelung | <5 Sekunden sichert Schutz vor Timeouts (Edgecomet); <2 MB verhindert Googlebot-Kappung. |\n| **Titel und H1-\u00dcberschrift** | 5 Punkte | Keine Deckelung | Eine klare \u00dcberschriftenhierarchie unterst\u00fctzt die semantische Einordnung. |\n| **Neutral gestellte Faktoren (Mythen)** | 0 Punkte | Keine Abz\u00fcge | `llms.txt`, Sperre von `GPTBot`, Schema.org und HTTPS flie\u00dfen nicht in den Score ein. |\n\nDas entscheidende Merkmal dieses Modells ist die K.-o.-Logik. Ein Audit darf Defizite beim Datenzugang nicht durch Nebens\u00e4chlichkeiten ausgleichen. Wenn eine Seite f\u00fcr KI-Crawler gesperrt ist oder keinen Text ausliefert, n\u00fctzen fehlerfreie \u00dcberschriften und kurze Antwortzeiten nichts: Das Gesamtergebnis bleibt auf 40 Punkte gedeckelt.\n\n## Die Grenzen von LLM-Checkern: Firewalls verf\u00e4lschen Ergebnisse und perfekte Werte garantieren kein Zitat\n\nTrotz klarer Kriterien sto\u00dfen automatisierte Pr\u00fcfwerkzeuge an methodische Grenzen, die Betreiber bei der Interpretation ber\u00fccksichtigen m\u00fcssen:\n\nErstens k\u00f6nnen Sicherheitsmechanismen wie der Cloudflare Super Bot Fight Mode das Ergebnis verf\u00e4lschen. Ein externer Pr\u00fcfserver fragt eine Webseite von einer festen IP-Adresse aus ab. Blockiert die Firewall diesen Pr\u00fcfaufruf mit vorgeschalteten Sicherheitsabfragen, schneidet die Seite im automatisierten Test unverh\u00e4ltnism\u00e4\u00dfig schlecht ab. Die echten Crawler von Google oder OpenAI nutzen jedoch verifizierte Netzwerke, die von denselben Filtern oft standardm\u00e4\u00dfig durchgelassen werden. Ein schlechtes Testergebnis kann daher ein Artefakt der IP-Reputation des Pr\u00fcfers sein.\n\nZweitens garantiert eine perfekte Bewertung von 100 Punkten kein Zitat in einer KI-Antwort. Ein technisches Audit pr\u00fcft ausschlie\u00dflich die *Zug\u00e4nglichkeit* (Crawlability und Readability). Ob ein Sprachmodell eine Seite als Quelle heranzieht, entscheidet die Inferenzstufe: Hier z\u00e4hlen thematische Autorit\u00e4t, inhaltliche Tiefe, historische Verl\u00e4sslichkeit und semantische Passung zur Nutzerfrage.\n\nEin LLM-Checker repariert nicht den Inhalt, sondern beseitigt die Schranken an der T\u00fcr. Er stellt sicher, dass eine Webseite \u00fcberhaupt gelesen werden kann, bevor Algorithmen \u00fcber ihren Wert entscheiden.\n\n## H\u00e4ufige Fragen\n\n### Was ist der Unterschied zwischen einem LLM-Checker und einem AI-Detector?\nEin LLM-Checker pr\u00fcft die technische Zug\u00e4nglichkeit und Lesbarkeit einer Webseite f\u00fcr KI-Suchmaschinen wie ChatGPT Search, Perplexity oder Google AI Overviews. Ein AI-Detector (wie Pangram oder GPTZero) analysiert dagegen geschriebenen Text auf statistische Muster, um festzustellen, ob er von einem Menschen oder einer Maschine verfasst wurde.\n\n### Warum vergeben viele Tools Punkte f\u00fcr eine llms.txt, wenn Bots sie kaum abrufen?\nDie Bereitstellung einer `llms.txt` wurde 2025 als community-getriebener Vorschlag f\u00fcr Entwickler-Dokumentationen bekannt. Viele Audit-Tools \u00fcbernahmen das Kriterium ungepr\u00fcft. Die Prim\u00e4rdaten von Ahrefs (97 Prozent null Bot-Aufrufe) und EZY Research (Verh\u00e4ltnis 570 zu 1 zugunsten der robots.txt) belegen jedoch, dass die Datei f\u00fcr das allgemeine Web-Crawling gegenw\u00e4rtig keine praktische Relevanz besitzt.\n\n### Schadet das Blockieren von GPTBot in der robots.txt der Sichtbarkeit?\nNein. Die offizielle Dokumentation von OpenAI stellt klar, dass `GPTBot` ausschlie\u00dflich dem Modelltraining dient. F\u00fcr die Aufnahme in die Websuche von ChatGPT ist der User-Agent `OAI-SearchBot` zust\u00e4ndig. Betreiber k\u00f6nnen `GPTBot` sperren, um ihre Inhalte vor Modelltraining zu sch\u00fctzen, ohne Sichtbarkeitseinbu\u00dfen in ChatGPT zu erleiden.\n\n### Warum erhalten Single-Page-Applications schlechte Bewertungen im LLM-Checker?\nWeil weder OpenAI noch Anthropic noch Perplexity clientseitiges JavaScript rendern. Wenn eine Seite Inhalte erst im Browser per Skript nachl\u00e4dt, erfassen die Crawler lediglich das leere HTML-Ger\u00fcst. Nur serverseitig gerendertes HTML (SSR) oder statischer Quellcode stellt sicher, dass KI-Crawler den Text erfassen k\u00f6nnen.",
    "sig": "c91fc21e8efb933ed6ad781e74b2d60782faa0cfad25dcbb0c10751b119676932495d3f670a38cc8c4f13c62ce5679b4fb6789783f78dfc19fc4020a6b9ec48b"
}