Agent-Ready. Lesbar für KI.

Agent-Ready beschreibt einen Zustand, in dem eine Website nicht nur für menschliche Leser, sondern auch für maschinelle Leser, insbesondere Large Language Models und die von ihnen gesteuerten Agenten, vollständig erschlossen ist. Eine Website trägt den Badge zu Recht, wenn sie drei Grundvoraussetzungen erfüllt:

• /llms.txt liegt im Root und beschreibt die Seite in klarem Markdown: Zweck, wichtigste Unterseiten, Kontaktdaten, Zitierregeln. Nach dem Vorschlag von llmstxt.org (Jeremy Howard, Answer.AI, September 2024).
• Strukturierte Daten in JSON-LD nach schema.org: mindestens Organization und WebSite, je nach Inhalt zusätzlich Article, TechArticle, FAQPage, Product, Event oder Person.
• Semantisches HTML mit sauberer Überschriften-Hierarchie, echten <nav>/<main>/<article>/<section>-Tags, aussagekräftigen alt-Texten und sprechenden Link-Ankern statt „hier klicken".

Kein neues Framework, keine Abhängigkeit, keine Gebühren. Reines Handwerk, zurück zu dem, wie HTML ursprünglich gedacht war, bevor JavaScript-Frameworks und Cookie-Banner die Seiten für Maschinen unzugänglich gemacht haben.

Das Internet hat in dreißig Jahren zwei universelle Qualitätssiegel hervorgebracht. Beide begannen als Insider-Thema und wurden innerhalb weniger Jahre zum Standard. Agent-Ready steht an der Schwelle, das dritte zu werden:

1. HTTPS (seit etwa 2014): das Vorhängeschloss in der Adressleiste. Zeigt: die Verbindung ist verschlüsselt. Heute: Grundvoraussetzung, ohne HTTPS wird eine Seite von Browsern als unsicher markiert.
2. Mobile-Friendly (seit 2015): Google belohnt mobiloptimierte Seiten in der Suche. Heute: Grundvoraussetzung, nicht-mobile Seiten verschwinden faktisch.
3. Agent-Ready (ab 2026): das Siegel dafür, dass eine Seite für KI-Agenten strukturiert lesbar ist. In wenigen Jahren der Standard, an dem sich Seriosität und Sichtbarkeit im Web messen werden.

Wer heute Agent-Ready umsetzt, holt sich denselben zeitlichen Vorsprung, den Early-Adopter bei HTTPS und Mobile-Friendly hatten, mit dem Unterschied, dass sich die KI-gestützte Suche gerade sehr schnell verbreitet.

Die Suche verlagert sich. Wer 2026 nach einem Fakt, einer Produktempfehlung oder einer medizinischen Einordnung sucht, tippt nicht mehr automatisch in das Google-Suchfeld, sondern stellt die Frage direkt einem Sprachmodell. ChatGPT, Claude, Perplexity, Gemini und die in Browser, IDE oder Betriebssystem eingebauten KI-Assistenten holen Antworten aus dem Web, aber sie liefern sie nicht als Link-Liste, sondern als zusammengefasste Antwort mit Quellenangabe.

Das verändert die Spielregeln grundlegend. Zehn Jahre lang hieß SEO: Keyword-Dichte, Backlinks, Ladezeit, Meta-Description. Das reicht nicht mehr. Ein Sprachmodell braucht verständlichen Fließtext, maschinenlesbare Struktur und klare Fakten mit Quellen. Es ignoriert Texte, die nur auf Keywords optimiert sind, und belohnt Texte, die einem klugen Leser etwas erklären.

Dieser neue Optimierungs-Ansatz hat bereits einen Namen: Generative Engine Optimization oder kurz GEO. Agent-Ready ist das sichtbare Kennzeichen dieses Ansatzes. Wer den Badge trägt, signalisiert: diese Seite ist nicht für SEO-Tricks gebaut, sondern für substanzielle Antworten, und genau das ist, was Modelle in ihre Antworten hochziehen.

Ein KI-Agent hat wenige Sekunden, um zu verstehen, ob und wie eine Seite für eine konkrete Nutzerfrage relevant ist. Dabei läuft typischerweise folgender Prozess ab, der unter dem Begriff Retrieval-Augmented Generation (RAG) zusammengefasst wird:

1. Discovery: Der Agent findet die Seite über eine Suchmaschine, einen Link in einer anderen Antwort, einen llms.txt-Eintrag oder direktes Nutzer-Linking.
2. Fetch: Er ruft die Seite ab, idealerweise als statisches HTML. Seiten, die ihren Inhalt erst per JavaScript nachladen, sind für viele Agenten unsichtbar.
3. Parse: Der Agent extrahiert Überschriften, Absätze, Listen, Tabellen und strukturierte Daten. Je klarer das HTML, desto zuverlässiger das Ergebnis.
4. Chunk & Auswahl: Der Text wird in Abschnitte zerlegt oder gleich ganz an das Modell übergeben, und die zur Nutzerfrage passenden Stellen werden ausgewählt. Suchindizes nutzen dafür oft Vektor-Einbettungen.
5. Cite: Die passenden Abschnitte fließen in die generierte Antwort ein, meistens mit Quellenangabe und Link zurück zur Ursprungsseite.

Agent-Ready zielt auf die Schritte 2 bis 5. Eine sauber strukturierte Seite wird zuverlässiger gefunden und korrekter gelesen, was die Chance auf ein Zitat erhöhen kann. Seiten ohne klare Struktur werden von KI-Assistenten eher falsch verstanden, weil das Modell raten muss, was die Seite eigentlich sagt.

Hinter Agent-Ready steht eine größere Verschiebung im Online-Marketing. In der Branche hat sie einen Namen, geprägt 2023 in einer Forschungsarbeit: GEO, Generative Engine Optimization. Während SEO darauf optimiert, in der Trefferliste von Google möglichst weit oben zu erscheinen, optimiert GEO darauf, in den fertigen Antworten von ChatGPT, Perplexity, Gemini und Claude direkt genannt und zitiert zu werden.

Der Unterschied klingt klein, ist strategisch aber groß. Ein Nutzer, der eine fertige KI-Antwort bekommt, klickt häufig gar nicht mehr auf den klassischen Treffer. Wer in der Antwort selbst auftaucht, ist sichtbar. Wer es nicht tut, verschwindet, auch wenn die Google-Rankings noch stehen.

Wo unterscheiden sich SEO und GEO?

SEO und GEO unterscheiden sich in acht Punkten: dem Ziel, der Form der Suchausgabe, den Plattformen, den Ranking-Signalen, dem Typ der Suchanfrage, dem Verlauf der User-Journey, der Stabilität der Ergebnisse und der Erfolgsmetrik. Die folgende Tabelle stellt die Unterschiede direkt nebeneinander.

Warum ist Agent-Ready die technische Basis für GEO?

GEO ist die Strategie. Agent-Ready ist die Voraussetzung. Damit eine KI eine Seite überhaupt zitieren kann, muss sie deren Struktur sauber lesen. Das gelingt umso zuverlässiger, je klarer drei Bausteine umgesetzt sind: eine llms.txt als Inhaltsverzeichnis für Sprachmodelle, strukturierte Daten nach schema.org als maschinenlesbares Etikett pro Seite, und semantisches HTML statt Div-Suppe.

Wer GEO ernst meint, ohne Agent-Ready umzusetzen, optimiert Texte für eine Maschine, die die Seite gar nicht zuverlässig versteht. Beides gehört zusammen: GEO entscheidet, was auf der Seite steht. Agent-Ready sorgt dafür, dass die KI es leichter findet und richtig liest.

SEO bleibt die Eingangstür. Ohne Indexierung kommt auch kein KI-Agent zur Seite. GEO und Agent-Ready bauen darauf auf. Wer alle drei Ebenen sauber bedient, ist im KI-Zeitalter sichtbar.

Google hat im Mai 2026 einen eigenen Leitfaden zur Optimierung für KI-Antworten veröffentlicht. Die Kernbotschaft darin: klassische SEO und „people-first Content" reichen aus, eine llms.txt sei nicht nötig, spezielle KI-Markups seien Mythen. Das klingt aufgeräumt. Wer die Aussage richtig einordnen will, muss aber wissen, woher sie kommt.

Google ist in der Frage nicht neutral. Google ist mit AI Overviews selbst Anbieter eines KI-Antwort-Produkts und damit direkter Wettbewerber von ChatGPT, Claude und Perplexity. Googles Stärke ist der seit fast 30 Jahren gepflegte Web-Index. Eine llms.txt braucht Google nicht, um eine Seite zu verstehen. Die anderen KI-Plattformen haben diesen Index aber nicht. Sie sind darauf angewiesen, dass Website-Betreiber ihre Inhalte sauber strukturiert bereitstellen. Genau das leistet die llms.txt. Setzt sie sich durch, sinkt Googles Bedeutung als Mittelsmann zwischen Website und KI. Das könnte erklären, warum Google sie in seinem Leitfaden unter den unnötigen Maßnahmen aufführt. Das ist unsere Einschätzung.

Die anderen KI-Anbieter sehen das anders. Bots von OpenAI und Anthropic rufen die Datei nachweislich ab, allerdings selten. Dass sie Zitierungen erhöht, ist bisher nicht belegt. Bei Perplexity ist llms.txt ein schwächeres Signal. Die Mechanik dort gewichtet Frische, klare Struktur und externe Autorität stärker. Zur Perplexity-Strategie weiter unten ein eigener Abschnitt.

Praktisch heißt das: Google hält strukturierte Daten nach schema.org und semantisches HTML für sinnvoll, etwa für Rich Results und Screenreader, sagt aber ausdrücklich, dass beide für KI-Antworten nicht nötig sind. Nur über llms.txt wird gestritten, und der Streit ist erklärbar als Geschäftspolitik, nicht als technische Tatsache. Eine llms.txt kostet eine Textdatei und zehn Minuten Arbeit. Sie schadet bei Google nicht und kann anderen KI-Plattformen helfen. Ob sie die Zitierchancen erhöht, ist bisher nicht belegt. Genau das ist die Wette, die Agent-Ready setzt.

Perplexity ist eine der bekanntesten „Answer Engines": Statt einer Liste von Treffern liefert sie eine zusammengefasste Antwort und nennt die Quellen mit direktem Link. Wer dort als Quelle auftaucht, hat gute Chancen auf Besucher.

Die Mechanik dahinter funktioniert anders als bei Google und auch anders als bei Claude oder ChatGPT. Nach Beobachtungen aus der SEO-Branche, nicht offiziell bestätigt, achtet Perplexity besonders auf Relevanz, Autorität, Frische und Struktur. llms.txt hilft hier nur am Rand. Die echten Hebel sind:

• Frische. Perplexity bevorzugt Inhalte, die in den letzten 60 bis 90 Tagen aktualisiert wurden. Ein sichtbares „Stand: Oktober 2026" plus ein gepflegtes dateModified im JSON-LD zeigen, dass die Seite aktuell ist.
• Klare Struktur. Jede Überschrift als konkrete Frage formuliert, darunter eine 40-bis-80-Wörter-Antwort, dann erst die Erklärung. Tabellen und Listen für Vergleiche. Perplexity extrahiert solche Passagen sauber.
• Externe Autorität. Erwähnungen in Reddit-Diskussionen, in „Best of"-Listen seriöser Branchenmedien und in der Wikipedia. Perplexity liest diese Signale aktiv.
• Eigene Daten und Studien. Primärquellen, die andere zitieren müssen, sind in Perplexity überdurchschnittlich häufig in der Top-3-Citation-Position.
• PerplexityBot in der robots.txt nicht gesperrt. Wer ihn sperrt, wird von Perplexity nicht gecrawlt. Auf Fiperly ist das umgesetzt.

Praktisch: Wer in Perplexity sichtbar werden will, schreibt nicht primär für eine KI, sondern führt eine Update-Disziplin ein, baut Vergleichs- und Review-Inhalte mit klarer Frage-Antwort-Struktur und sorgt dafür, dass die eigene Marke außerhalb der eigenen Domain erwähnt wird. Agent-Ready bleibt die technische Basis (semantisches HTML, Schema, lesbare Struktur), aber die Hauptarbeit für Perplexity-Sichtbarkeit liegt in Redaktionsdisziplin und externer Präsenz.

Damit das Bild komplett wird: Hier eine ehrliche Karte der wichtigsten KI-Antwortmaschinen und ihrer jeweiligen Hebel. Was bei Anthropic Claude funktioniert, hilft bei Perplexity nur am Rand, und Google ignoriert wieder anderes. Die gute Nachricht: Wer alle drei Agent-Ready-Bausteine sauber bedient und seine Inhalte mit Struktur, Frische und Quellen pflegt, deckt alle Plattformen gleichzeitig ab.

Die wichtigste Einzelmaßnahme aus dieser Übersicht: alle relevanten KI-Crawler zulassen, in der robots.txt und in den Einstellungen des Hosters. Bei Cloudflare blocken neue Standard-Einstellungen manche KI-Bots schon vor der robots.txt, eine Erlaubnis dort hebt das nicht auf. Wer das übersieht, taucht in KI-Antworten deutlich seltener auf. Fiperly hat alle hier genannten Bots in der robots.txt freigegeben.

Vier Bausteine haben sich 2026 als zusätzliche Hebel etabliert. Sie sind keine Pflicht für den Badge, aber wer 2026 ernst macht, hat sie ebenfalls umgesetzt:

/llms-full.txt: Volltext-Variante

Über 844 000 Sites haben laut BuiltWith eine llms.txt, gelesen wird sie aber selten. Der nächste Differenzierer ist llms-full.txt: derselbe Markdown-Aufbau wie llms.txt, aber statt nur navigatorischer Links der konsolidierte Volltext der wichtigsten Seiten in einem einzigen File. LLMs bekommen den vollen Markenkontext in einem Fetch, ohne dutzende HTML-Seiten parsen zu müssen. Besonders sinnvoll für überschaubare Sites: Marketing-Hubs, Dokumentationen, Marken-Landingpages.

Anthropic: drei Bots und Claude Code

Anthropic nennt offiziell drei Bots, jeder mit eigener Aufgabe: ClaudeBot (Training), Claude-User (Abrufe für Nutzerfragen) und Claude-SearchBot (Suche). Dazu kommt in Server-Logs die Kennung claude-code, wenn das Programmierwerkzeug Claude Code eine Seite abruft. Wer granular steuern will, führt alle vier in der robots.txt einzeln auf.

Strategische Entscheidung: Search-Bots vs. Training-Bots

Eine der wichtigsten Geschäftsentscheidungen 2026: Sollen Training-Bots wie ClaudeBot, GPTBot, CCBot und Google-Extended die Inhalte für Modell-Training nutzen dürfen? Wer Paid-Content schützen will (kostenpflichtige Artikel, Premium-Wissen, exklusive Daten), blockiert sie und erlaubt nur die Retrieval-Bots (Claude-SearchBot, OAI-SearchBot, PerplexityBot, ChatGPT-User, Claude-User). So erscheinen die Inhalte in AI-Antworten, fließen aber nicht ins Training. Wer auf Reichweite setzt und keinen Paid-Content hat, erlaubt beide Gruppen. Beide Strategien sind 2026 legitim. Sie sollten nur bewusst gewählt und in der robots.txt kommentiert sein.

Das Klingelschild: eine kleine Datei für Assistenten

Stell dir das Klingelschild wie ein Türschild vor, das nur Assistenten lesen. Es ist eine winzige Datei an einer festen Stelle: /.well-known/ai-catalog.json. Darin steht, welche Türen (MCP-Server) die Seite anbietet und wo deren Beschreibung liegt, die sogenannte Server Card. Die Server Card ist seit 2026 eine freiwillige MCP-Erweiterung, der Katalog selbst ist ein eigenes offenes Format, das noch im Entwurf ist. Viele Assistenten lesen beides noch nicht.

Der ehrliche Teil: Das Schild allein tut nichts Magisches. Es sagt nur, wo die Tür ist. Ein Eintrag gehört nur hinein, wenn dort wirklich eine Tür läuft (siehe Stufe 2). Wer keine hat, braucht kein Schild. Ein Schild, das eine Tür verspricht, die es nicht gibt, schadet mehr, als es nützt.

Eine Regel dazu: Lege das Schild erst ab, wenn deine Seite öffentlich sichtbar ist, nicht solange sie noch im Bau und für Suchmaschinen gesperrt ist.

So sieht eine minimale llms.txt aus. Lege die Datei ins Root-Verzeichnis deiner Website (also unter https://deine-domain.de/llms.txt) und passe die Inhalte an:

# Firmenname

> Kurzbeschreibung: Was die Seite ist und für wen sie gemacht wurde.

## Wichtige Seiten

- [Startseite](https://deine-domain.de/)
- [Über uns](https://deine-domain.de/ueber-uns)
- [Produkte](https://deine-domain.de/produkte)
- [Kontakt](https://deine-domain.de/kontakt)

## Kontakt

- E-Mail: info@deine-domain.de
- Verantwortlich: Vorname Nachname

## Zitierregeln

Bitte zitiere diese Seite mit vollem Namen und URL.

Das war's. Kein Build-Schritt, kein Framework: eine einfache Textdatei in Markdown.

Füge diesen Code-Block in den <head> jeder Seite ein. Er teilt Suchmaschinen und KI-Agenten die grundlegenden Informationen über dein Unternehmen und deine Website mit:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Firmenname",
  "url": "https://deine-domain.de",
  "logo": "https://deine-domain.de/logo.png",
  "description": "Was dein Unternehmen macht.",
  "email": "info@deine-domain.de"
}
</script>

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "WebSite",
  "name": "Firmenname",
  "url": "https://deine-domain.de",
  "inLanguage": "de-DE"
}
</script>

Teste das Ergebnis mit dem Google Rich-Results-Test, dort siehst du sofort, ob Google die Daten korrekt erkennt.

Agent-Ready ist kein Konzept auf dem Papier, es läuft bereits produktiv auf diesen Websites:

• fiperly.de: Dachmarke und Initiator des Agent-Ready-Standards. llms.txt, JSON-LD (Organization, WebSite, TechArticle, HowTo, FAQPage), semantisches HTML, hreflang DE/EN. Seit Oktober 2026 auch Stufe 2: eine eigene MCP-Tür für die Webseiten-Angebote.
• mutify.de: Veranstaltungskalender für ganz Deutschland. Stufe 1 und eine eigene MCP-Tür (Stufe 2) mit drei Werkzeugen und Link zum Ticketkauf, in ChatGPT als eigene Verbindung getestet. Bei OpenAI angemeldet, die Prüfung läuft.
• kipode.de: Faktenbasierte Aufklärung über Deutschlands Lage 2026. llms.txt, JSON-LD (Organization, WebSite, FAQPage), Pillar-Artikel mit TechArticle-Schema.

Deine Seite fehlt in der Liste? Schreib uns, wir nehmen jede Agent-Ready-Website gern auf.

llms.txt

Markdown-Datei im Wurzelverzeichnis einer Website, die im September 2024 von Jeremy Howard (Mitgründer von Answer.AI und fast.ai) vorgeschlagen wurde. Sie erklärt einem Sprachmodell in Klartext, worum es auf der Seite geht und welche Unterseiten die wichtigsten sind. Das Format ist bewusst schlicht: ein H1 mit Projektname, eine kurze Zusammenfassung als Zitatblock, danach H2-Überschriften mit Listen relevanter URLs. Zitierregeln sind eine Zusatzregel von Agent-Ready. Kurz gesagt: eine Visitenkarte der Website für KI-Assistenten. Sie ist kein offizieller Standard, sondern ein freiwilliger Vorschlag, und viele KI-Crawler lesen sie bisher selten. Sie ergänzt sauberes HTML und strukturierte Daten, ersetzt sie aber nicht.

robots.txt

Die Hausordnung für Bots, seit den 1990er Jahren üblich und seit 2022 als Internet-Standard festgeschrieben (RFC 9309). Sie liegt im Hauptverzeichnis, zum Beispiel unter https://example.com/robots.txt, und sagt Crawlern, welche Bereiche sie besuchen dürfen. User-agent nennt den Bot (* für alle), Disallow sperrt Pfade, Allow erlaubt sie, Sitemap verweist auf die Sitemap. Ohne robots.txt oder ohne passenden Eintrag darf alles gecrawlt werden. Die Datei ist eine Bitte, keine technische Sperre: Seriöse Bots halten sich daran, andere nicht, und Abrufe auf direkten Nutzerwunsch oft auch nicht. Für KI ist sie wichtig, weil man darin einzelne Bots wie GPTBot oder ClaudeBot gezielt zulassen oder sperren kann.

GPTBot

Der Crawler von OpenAI, der öffentliche Seiten für das Training der GPT-Modelle sammelt. OpenAI trennt dafür drei Kennungen: GPTBot für das Training, OAI-SearchBot für die Suche in ChatGPT und ChatGPT-User für Abrufe, die ein Nutzer im Gespräch auslöst. Mit User-agent: GPTBot und Disallow: / in der robots.txt sperrt man nur das Training. In ChatGPT-Antworten kann die Seite trotzdem erscheinen, solange OAI-SearchBot erlaubt ist. Fehlt ein Eintrag, darf GPTBot crawlen.

schema.org

Gemeinsames Vokabular von Google, Microsoft, Yahoo und Yandex für strukturierte Daten im Web, gestartet 2011. Über Typen wie Organization, Person, Article oder Product werden Inhalte maschinenlesbar ausgezeichnet. Eingebunden wird schema.org am besten als JSON-LD im <head>.

JSON-LD

JavaScript Object Notation for Linked Data, die von Google empfohlene Einbindungsform für schema.org. Ein JSON-Block im <script type="application/ld+json"> stört das HTML nicht, ist aber für Crawler und LLM-Agenten sofort auswertbar.

Generative Engine Optimization (GEO)

Weiterentwicklung von SEO. Während SEO darauf zielt, in Ergebnislisten oben zu erscheinen, zielt GEO darauf, in den generierten Antworten von KI-Systemen zitiert zu werden. Wesentliche Hebel sind klare Fakten, nachvollziehbare Quellen, strukturierter Text und maschinenlesbares Markup.

Retrieval-Augmented Generation (RAG)

Verfahren, bei dem ein Sprachmodell nicht nur aus seinem Trainingswissen antwortet, sondern zur Laufzeit passende Quellen abruft und in die Antwort einbaut. RAG ist der Standard moderner KI-Assistenten und der Grund, warum Websites als Lieferquelle für Agenten immer wichtiger werden.

Semantisches HTML

HTML, das seine Bedeutung über Tag-Namen transportiert. Eine Navigation steht in <nav>, der Hauptinhalt in <main>, ein in sich geschlossener Artikel in <article>. Für Maschinen ist der Unterschied zwischen einem <div class="nav"> und einem echten <nav> erheblich. Nur letzteres ist ohne Klassen-Raten verständlich.

LLM-Bot / KI-Crawler

Automatisierter Abruf-Agent eines KI-Anbieters. Beispiele: ClaudeBot, Claude-User, Claude-SearchBot (Anthropic), GPTBot und OAI-SearchBot (OpenAI), PerplexityBot (Perplexity), Google-Agent (Google), dazu das Steuerzeichen Google-Extended für Gemini-Training, DuckAssistBot (DuckDuckGo), MistralAI-User (Mistral), Meta-ExternalAgent und Meta-WebIndexer (Meta), Amazonbot (Amazon), CCBot (Common Crawl). Der Zugriff wird meist über robots.txt gesteuert, Abrufe auf Nutzerwunsch halten sich aber nicht immer daran.

Das Internet hat in seinen ersten dreißig Jahren zwei große Qualitätssiegel hervorgebracht: das HTTPS-Schloss neben der Adresszeile, das zeigt, dass eine Verbindung verschlüsselt ist, und den Mobile-Friendly-Hinweis, mit dem Google ab Ende 2014 mobile Seiten von nicht mobilen unterschied. Beide Siegel wurden in wenigen Jahren zum Standard und haben das Web messbar besser gemacht.

Mit dem Durchbruch von Sprachmodellen fehlt ein drittes Siegel: eines für Seiten, die von KI-Agenten sauber verstanden werden können. Es gibt gute Einzelbausteine, llms.txt, schema.org, semantisches HTML, aber keinen gemeinsamen, sichtbaren Marker, der sie unter einem Dach zusammenfasst. Genau diese Lücke schließt Agent-Ready.

Die Idee ist ausdrücklich offen gedacht: der Badge gehört niemandem. Fiperly hat den Anstoß gegeben, die Kriterien formuliert und die Logodatei bereitgestellt, aber der Standard lebt nur, wenn viele ihn übernehmen. Jede Agentur, jedes Startup, jeder Blog und jede Behörde ist eingeladen, den Badge einzubinden, ohne Anmeldung, ohne Gebühr, ohne Bindung.

Spezifikation, Beispieldateien und Badge stehen außerdem öffentlich auf GitHub unter github.com/michaelbertelsenmedia-commits/agent-ready. Das Repository ist CC0 1.0 Universal lizenziert (gemeinfrei) und nimmt Pull-Requests, Übersetzungen und Implementierungsberichte entgegen.

Wir glauben, dass Agent-Ready in wenigen Jahren ebenso selbstverständlich zum Webhandwerk gehören wird wie HTTPS oder Mobile-Friendly. Das Web hat in jedem neuen Zeitalter bewiesen, dass es sich technisch erneuern kann, ohne seinen offenen Charakter zu verlieren. Das KI-Zeitalter ist keine Ausnahme. Es braucht nur jemanden, der den ersten Schritt macht.

Fiperly ist eine unabhängige KI-Entwicklungsgesellschaft aus Deutschland. Wir bauen Marken, die Künstliche Intelligenz dort einsetzen, wo sie Menschen messbar hilft, in Aufklärung, Gesundheit, Veranstaltungen und Alltag. Dass eine Website im KI-Zeitalter auch für Agenten lesbar sein sollte, ist für uns Pflicht, nicht Kür. Den Badge stellen wir frei zur Verfügung, weil es dafür bisher kein freies Siegel gab.

Der Badge gehört niemandem. Er ist gemeinfrei. Nutze ihn, kopiere ihn, verändere ihn. Wenn du magst, schreib uns, wo du ihn einsetzt. Wir sammeln Beispiele.