Empirische Studie · Deutschland · 1. Oktober 2026

AI-Readiness von Dienstleister-Websites

Wie gut sind Websites deutscher B2B-Dienstleister auf KI-Suche und Agenten vorbereitet? Modern Stack wertet in dieser Studie 6.675 Live-Audits aus einem Discovery-Set von 9.019 Websites aus — mit einheitlichen Checks zu llms.txt, Crawling, strukturierten Daten und Agent-Ready-Signalen im Kontext von GEO & AI-Sichtbarkeit.

Fachartikel mit Interpretation und Handlungsempfehlungen: AI-Readiness deutscher Dienstleister-Websites.

Audits

6.675

von 9.019 entdeckten Sites

Agent-Ready Ø

25/100

Skala 0–100 · höher = besser für Agenten

llms.txt

15,6 %

Anteil mit vorhandener llms.txt

Markdown-Negotiation

0,3 %

Accept: text/markdown beantwortet

Kapitel 1

Einleitung

Problemstellung

Generative Suche und KI-Assistenten verändern, wie Kunden Dienstleister finden. Klassische Website-Kennzahlen (Sichtbarkeit in Google, mobile Darstellung, CMS-Version) sagen wenig darüber aus, ob Inhalte für Agenten und LLM-Systeme maschinenlesbar, crawlbar und strukturiert genug sind. Es fehlt an großen, einheitlich gemessenen Datensätzen zur AI-Readiness lokaler und regionaler Dienstleister-Websites in Deutschland — obwohl GEO, AIO und AEO die Sichtbarkeitslogik verschieben.

Relevanz

Für Praxen, Kanzleien, Coaches und Studios ist die Website oft der zentrale Vertrauens- und Buchungskanal. Wenn KI-Systeme Angebote nicht zuverlässig extrahieren können, droht unsichtbare Nachfrage — trotz vorhandener Seite. Das betrifft auch Branchenseiten wie Physiotherapie-Praxen und Steuerberater-Kanzleien. Anbieter von Website-Modernisierung brauchen belastbare Indikatoren statt Anekdoten.

Forschungsfrage

Wie AI-ready sind Websites deutscher B2B-Dienstleister — gemessen an Agent-Ready-Scores, LLM-Schnittstellen (llms.txt, Markdown) und Crawl-/Struktur-Signalen — und welche Lücken dominieren?

Daraus leiten wir vier Hypothesen ab (siehe Theorie und Ergebnisprüfung).

Kapitel 2

Theorie & Forschungsstand

Begriffsdefinitionen

AI-Readiness / Agent-Ready
Grad, zu dem eine Website Inhalte und Signale liefert, die KI-Crawler und Agenten zuverlässig nutzen können — eng verwandt mit Extrahierbarkeit, Crawlability und Zitation in generativen Antworten.
llms.txt
Vorschlag für eine maschinenlesbare Übersicht zentraler Inhalte — analog zu robots.txt, aber für LLM-/Agenten-Kontexte. Vertiefung: llms.txt für Agenten.
Markdown-Negotiation
Fähigkeit der Seite, auf Accept: text/markdown mit klarer Markdown-Antwort zu reagieren — relevant für Agenten und RAG-Pipelines.
GEO / generative Sichtbarkeit
Auffindbarkeit und Zitierbarkeit in KI-generierten Antworten — ergänzend zu klassischem SEO. Überblick: GEO & AI-Sichtbarkeit, AI Overviews, Answer Engines.
Fit-Score (Studie / Outreach)
Operationale Definition: fit = 100 − agentReady. Höherer Fit = klarerer Modernisierungsbedarf aus Agent-Perspektive — parallel zur Produktlogik von Website-Modernisierung.

Forschungsstand

Bestehende Arbeitsschwerpunkte liegen bei SEO-Audits, Core Web Vitals und CMS-Marktanteilen. Spezifische Agent-Ready-Checks und LLM-Orientierungshilfen (llms.txt) sind vergleichsweise neu. Großangelegte, branchenbezogene Zählungen für DE-Dienstleister fehlen weitgehend — insbesondere mit Multi-Page-Proben, JSON-LD-Abdeckung und kombinierten Quellen. Stack-Vergleiche wie Next.js vs WordPress in der KI-Suche erklären Architektur; diese Studie liefert die empirische Lückenmessung.

Untersuchungsmodell & Hypothesen

  1. H1: Sites mit Modernisierungsbedarf haben deutlich seltener eine llms.txt als Sites mit hohem Agent-Ready-Score.
  2. H2: Markdown-Negotiation ist flächendeckend abwesend (nahezu universelle Lücke).
  3. H3: Legacy-CMS-Anteil unterscheidet die Gruppen kaum — CMS allein erklärt AI-Readiness nicht.
  4. H4: Klassische Crawl-/SEO-Signale (Crawl-Score) sind im Mittel deutlich stärker als LLM-Schnittstellen-Scores.

Kapitel 3

Methodik

Forschungsdesign

Quantitative Querschnittstudie (Observational Census) auf Basis automatisierter Live-Website-Audits. Keine Umfrage, kein Experiment — gemessene technische Signale zum Erhebungszeitpunkt.

Datenerhebung

  • Discovery über OpenStreetMap/Overpass (DE-weit) für freigegebene Nischen: Physiotherapie, Coaching, Steuerberatung, kleine Dienstleister, Psychologie, Fotografie — u. a. anschlussfähig an Physio-Praxis-Websites und Kanzlei-Websites.
  • Ausschlüsse: Rechtsanwälte, Kliniken, Kommunen/öffentliche Einrichtungen, Vereine.
  • Multi-Page-Audit: öffentliche Agent-Ready-Checks, ergänzende Crawl-/llms-Checks sowie lokale Proben (robots.txt, Sitemap, JSON-LD, Markdown-Negotiation, unvollständiges HTML).
  • Personenbezogene Identifikatoren werden in dieser Auswertung nicht veröffentlicht.

Stichprobe

9.019 entdeckte Domains; davon 6.675 mit vollständigem Audit-Datensatz (Stand 1. Oktober 2026). Zusammensetzung der auditierten Sites nach Nische und Status siehe Grafiken.

Datenanalyse

Deskriptive Statistik: Mittelwerte, prozentuale Prävalenzen, Score-Bänder (0–19 … 80–100), Kohortenvergleich (eligible vs. disqualified). Hypothesen werden anhand vorab festgelegter Schwellen als gestützt/nicht gestützt bewertet — ohne kausale Inferenz.

9.019Websites

Discovery-Set nach Status

9.019 Websites im Census — Audit-Abdeckung 74 %.

  • Modernisierungsbedarf6.340 · 70 %
  • Ohne öffentliche E-Mail1.705 · 19 %
  • Noch ohne Audit648 · 7 %
  • Bereits stärker AI-ready326 · 4 %

Auditierte Stichprobe nach Nische

Anteil an allen Audits (n = Audits mit Nischen-Label).

  • Physiotherapie34,8 %n=2.323
  • Steuerberater19,4 %n=1.297
  • Psychologie14,9 %n=997
  • Fotografie13,5 %n=903
  • Dienstleistung8,9 %n=597
  • Coaching8,4 %n=558

Kapitel 4

Ergebnisse

Neutrale Darstellung der Aggregate. Interpretation folgt in der Diskussion.

Verteilung Agent-Ready-Score

Mittelwert 25/100 · 76 % der Audits liegen unter 40.

40 %0–192.657
36 %20–392.398
19 %40–591.284
3 %60–79228
2 %80–100108

Verteilung Fit-Score (Modernisierungsbedarf)

Mittelwert 75/100 · fit = 100 − agentReady.

2 %0–19105
3 %20–39221
19 %40–591.260
34 %60–792.261
42 %80–1002.828

Prävalenz technischer Signale

Anteil „wahr“ über alle Audits.

  • llms.txt vorhanden15,6 %n=1.043
  • Sitemap vorhanden73,5 %n=4.905
  • robots.txt vorhanden72,5 %n=4.840
  • JSON-LD erkannt41,9 %n=2.796
  • Markdown-Negotiation0,3 %n=22
  • KI-Crawler blockiert1,8 %n=123
  • Unvollständiges HTML / JS-Shell1,0 %n=70
  • Legacy-CMS erkannt69,4 %n=4.630

Häufigste Audit-Findings

Anteil der Audits mit dem jeweiligen Finding.

  • Keine Markdown-Negotiation99,7 %n=6.653
  • Kein llms.txt84,4 %n=5.632
  • Agent-Ready Level niedrig67,4 %n=4.499
  • Wenig strukturierte Daten64,0 %n=4.271
  • Kein klares robots.txt27,5 %n=1.835
  • Sitemap unklar26,5 %n=1.770
  • Sample-Seiten fehlerhaft20,6 %n=1.372
  • Website schwer erreichbar10,9 %n=727
  • KI-Crawler blockiert1,8 %n=123
  • Unvollständiges HTML1,0 %n=70

Kohortenvergleich: Modernisierungsbedarf vs. stärker AI-ready

Eligible n=6.340 · Disqualified n=326.

ModernisierungsbedarfStärker AI-ready

  • Agent-Ready-Score (Ø)

    22
    77

  • llms.txt vorhanden

    11,8 %
    89,6 %

  • Sitemap vorhanden

    72,2 %
    100,0 %

  • JSON-LD erkannt

    40,1 %
    77,0 %

  • Markdown-Negotiation

    0,3 %
    1,2 %

  • Legacy-CMS erkannt

    68,6 %
    85,0 %

  • LLM-/llms-Score (Ø)

    26
    68

  • Crawl-Score (Ø)

    85
    96

Erkanntes CMS (Kontext)

Nur als Kontext — kein Eligibility-Gate. Anteile an Audits mit CMS-Guess.

  • WordPress41,6 %n=2.775
  • Divi23,0 %n=1.535
  • Elementor2,4 %n=159
  • Jimdo2,3 %n=154
  • Webflow0,2 %n=14
  • Squarespace0,1 %n=7
  • Shopify0,0 %n=3

Crawl-Score Ø

86

LLM-/llms-Score Ø

28

isitagentready Pass-Rate Ø

14%

KI-Bots blockiert

1,8 %

Hypothesenprüfung

H1

Gestützt

llms.txt-Kluft zwischen Kohorten

Sites mit Modernisierungsbedarf haben deutlich seltener eine llms.txt.

Evidenz: Eligible 11,8 % vs. stärker AI-ready 89,6 % (Schwelle ≥ 30 Pp. Differenz).

H2

Gestützt

Markdown-Negotiation als universelle Lücke

Markdown-Negotiation ist flächendeckend abwesend.

Evidenz: Gesamtprävalenz 0,3 % (Schwelle ≤ 5 %).

H3

Gestützt

CMS erklärt AI-Readiness nicht

Legacy-CMS-Anteile sind in beiden Kohorten hoch und liegen nah beieinander.

Evidenz: Legacy-CMS Eligible 68,6 % vs. stärker AI-ready 85,0 %.

H4

Gestützt

Crawl stärker als LLM-Schnittstelle

Klassische Crawl-Scores liegen klar über LLM-/llms-Scores.

Evidenz: Crawl Ø 86 vs. llms Ø 28 (Schwelle ≥ 20 Punkte).

Kapitel 5

Diskussion

Einordnung

Die Daten zeichnen ein klares Muster: Viele Dienstleister-Websites sind für klassisches Crawling relativ gut aufgestellt (Sitemap/robots häufig vorhanden, Crawl-Scores hoch), aber für AI-Agenten und LLM-Schnittstellen kaum vorbereitet. Der mittlere Agent-Ready-Score von 25/100 und die llms.txt-Prävalenz von nur 15,6 % unterstreichen eine Infrastruktur-Lücke jenseits von „Seite lädt“ und „CMS ist WordPress“. Das deckt sich mit der These aus Next.js vs WordPress für KI-Suche: Maschinenlesbarkeit und Extrahierbarkeit entscheiden mit.

Der Kohortenvergleich stützt H1 und H4 besonders deutlich: llms.txt springt von ca. 11,8 % auf 89,6 %, während Markdown in beiden Gruppen praktisch fehlt (H2). H3 zeigt: Legacy-CMS ist kein zuverlässiger Proxy für AI-Readiness — wer nur „Weg vom WordPress“ predigt, verfehlt den eigentlichen Agenten-Layer. Für Sichtbarkeit in ChatGPT, Perplexity und Google AI Mode zählen Direct Answers, strukturierte Daten und stabile Entities.

KI-Bot-Blocks sind selten (1,8 %). Das Problem ist also weniger aktive Sperre als fehlende Maschinenlesbarkeit — ein zentrales Thema von GEO & AI-Sichtbarkeit.

Limitationen

  • Keine Zufallsstichprobe des gesamten DE-Webs, sondern OSM-basierte Nischen-Discovery mit Ausschlussregeln.
  • Status „eligible“ ist operational an Fit ≥ Schwelle gekoppelt — die Gruppe ist per Definition agent-schwach; Vergleiche mit „disqualified“ sind deshalb kontrastreich, aber nicht populationsrepräsentativ.
  • 2.344 Sites im Discovery-Set sind noch ohne vollständiges Audit; ausgewertet wurden 6.675 Audits.
  • CMS-Erkennung ist heuristisch; Scores sind Composite aus mehreren Quellen und können sich mit Tooling-Updates verschieben.
  • Querschnitt zum Audit-Zeitpunkt — keine Längsschnitt-Kausalität.

Kapitel 6

Fazit & Ausblick

Zusammenfassung

Unter 6.675 auditierten Dienstleister-Websites in Deutschland liegt der mittlere Agent-Ready-Score bei 25/100. Über drei Viertel der Audits liegen unter 40 Punkten. llms.txt fehlt bei rund 84 % der Sites; Markdown-Negotiation bei praktisch allen. Gleichzeitig sind Crawl-Grundlagen oft vorhanden. Die zentrale Antwort auf die Forschungsfrage: AI-Readiness ist flächig schwach — nicht weil Seiten „tot“ sind, sondern weil der Maschinen-Layer fehlt. Interpretation und Praxisleitfaden: Fachartikel zur Studie.

Ausblick

  • Wiederholungsmessungen (Panel) und Nischen-Tiefenschnitte.
  • Erweiterung auf weitere Branchen und DACH-Regionen.
  • Praxis: priorisierte Maßnahmen llms.txt, strukturierte Daten, klare Inhaltsarchitektur und agentenfreundliche Auslieferung — unabhängig vom CMS — im Rahmen von Website-Modernisierung und optionalem Knowledge Graph.

Verwandte Entities

Für deine Website

Willst du wissen, wo deine Seite steht?

Modern Stack modernisiert bestehende Websites für die KI-Ära — mit klaren Paketen ab 500 € und Fokus auf Sichtbarkeit in Google und KI-Suche.

Unverbindlich anfragen →Mehr zu GEO & AI-Sichtbarkeit

Methodischer Hinweis: Aggregate aus anonymisierten Audit-Snapshots (1. Oktober 2026). Keine Veröffentlichung von Firmennamen, E-Mails oder einzelnen URLs. Wiederholbare Auswertung über gepaginierte Census-Batches.