Was bedeutet AI Discovery?
AI Discovery beschreibt, wie KI-Systeme eine Website finden, einordnen und relevante Ressourcen erkennen. Dabei geht es nicht nur um klassische Indexierung, sondern um maschinenlesbare Einstiegspunkte, klare Entitäten und strukturierte Informationspfade.
Im Glossar-Kontext bezeichnet AI Discovery die Verbindung aus technischen Dateien, strukturierten Daten, interner Verlinkung und semantischer Inhaltsarchitektur.
Warum ist AI Discovery für KI-Sichtbarkeit relevant?
KI-Systeme crawlen, extrahieren und verarbeiten Informationen über viele Signale. Ohne klare Discovery-Struktur müssen Systeme selbst ableiten, welche Seiten, Dateien und Quellen wichtig sind. AI Discovery reduziert diese Unsicherheit durch technische und semantische Orientierung.
Welche Eigenschaften hat AI Discovery?
- technische Auffindbarkeit von KI-relevanten Ressourcen
- klare Verbindung zwischen Website, Entitäten und Wissensbereichen
- Unterstützung durch llms.txt, llms-full.txt und agent.json
- Einbindung von Sitemaps, robots.txt und strukturierten Daten
- Grundlage für AI Visibility, GEO und LLMO
Welche Signale stärken AI Discovery?
AI Discovery wird stärker, wenn technische Einstiegspunkte, strukturierte Daten und sichtbare Inhalte dieselbe Wissensarchitektur unterstützen. Entscheidend ist die Konsistenz zwischen Root-Dateien, Glossar, Wissens-Hub und JSON-LD.
| Signal | Funktion | Beispiel |
|---|---|---|
| llms.txt | liefert eine kompakte Orientierung für KI-Systeme | https://lanuri.de/llms.txt |
| llms-full.txt | beschreibt die vollständige Wissensarchitektur | Wissens-Hub, Glossar, Cluster, Ressourcen |
| agent.json | beschreibt Identität, Ressourcen und Einstiegspunkte | /agent.json und /.well-known/agent.json |
| sitemap-meta.xml | macht technische Discovery-Dateien auffindbar | robots.txt, llms.txt, agent.json |
| JSON-LD | beschreibt Entitäten und Beziehungen maschinenlesbar | Organization, WebPage, DefinedTerm, TechArticle |
Wie unterscheidet sich AI Discovery von SEO, GEO und LLMO?
| Begriff | Hauptfokus | Rolle für KI-Systeme |
|---|---|---|
| SEO | Auffindbarkeit in klassischen Suchmaschinen. | SEO unterstützt Indexierung, Rankings und organische Sichtbarkeit. |
| AI Discovery | Auffindbarkeit für KI-Systeme und Agenten. | AI Discovery macht Ressourcen, Entitäten und technische Einstiegspunkte maschinenlesbar auffindbar. |
| GEO | Sichtbarkeit in generativen Antworten. | GEO stärkt die Wahrscheinlichkeit, in KI-Antworten genannt oder zitiert zu werden. |
| LLMO | Verarbeitbarkeit durch Large Language Models. | LLMO stärkt Kontextklarheit, Chunk-Qualität und Retrieval-Fähigkeit. |
Wie sieht ein einfaches AI-Discovery-Beispiel aus?
Ein einfaches AI-Discovery-Setup verbindet Root-Dateien, strukturierte Daten und zentrale Wissensressourcen zu einem maschinenlesbaren Orientierungssystem.
{
"domain": "https://lanuri.de",
"discovery_files": [
"/llms.txt",
"/llms-full.txt",
"/agent.json",
"/.well-known/agent.json",
"/robots.txt",
"/sitemap-meta.xml"
],
"knowledge_resources": [
"/wissen",
"/wissen/glossar"
]
}Welche Rolle spielt /.well-known/ bei AI Discovery?
Der Pfad /.well-known/ wird häufig für standardisierte technische Discovery-Dateien verwendet. Für AI Discovery kann dieser Bereich genutzt werden, um maschinenlesbare Informationen wie agent.json oder mcp.json zusätzlich erreichbar zu machen.
Für KI-Sichtbarkeit ist /.well-known/ besonders hilfreich, wenn dieselben Informationen auch über Root-Dateien, Sitemaps und JSON-LD konsistent referenziert werden.
Experteneinschätzung zu AI Discovery
„In LANURI-Audits prüfen wir AI Discovery mit einer 6-Punkte-Matrix: Root-Dateien, .well-known-Endpunkte, Sitemap-Signale, JSON-LD-Konsistenz, Wissens-Hub-Verknüpfung und externe Entity-Nachweise. Eine Domain ist erst dann AI-discovery-fähig, wenn diese sechs Ebenen dieselbe Informationsarchitektur abbilden.“
— Svetlana Badak, LANURI