Wie wir eine Wetterseite gebaut haben, die KIs wirklich lesen können

Vor ein paar Jahren hat man "Wetter Berlin" gegoogelt. Heute fragt ein wachsender Teil der Leute einfach den Assistenten im Browser oder am Handy. Die Frage bleibt gleich, der Weg zur Antwort hat sich verschoben. Damit ändert sich auch, wer eine Wetterseite eigentlich besucht. Bei uns ist es längst nicht mehr nur der Mensch mit dem Schirm in der Hand. Es ist immer öfter eine Maschine, die für ihn nachschaut.

Die meisten Wetterseiten haben das noch nicht verstanden. Sie sind eine Festung gegen genau diese Maschine. Inhalte, die erst per JavaScript nachgeladen werden, ein Cookie-Banner quer über dem Bildschirm, Werbung zwischen jeder Zahl. Ein Sprachmodell findet darin ein paar Brocken und füllt den Rest mit Vermutungen. Am Ende steht eine erfundene Vorhersage, die überzeugend klingt.

Wir haben uns früh fürs Gegenteil entschieden. Hier sind die Bausteine, falls jemand etwas Ähnliches vorhat.

Server-gerendert, ohne JavaScript-Wand

Jede Seite kommt fertig aus dem Server. Wer den Quelltext abruft, hat sofort den ganzen Inhalt: Temperaturen, Stundenverlauf, Einordnung. Kein Skript muss laufen. Das ist gut für langsame Handys, gut für Suchmaschinen und ideal für jede KI, die eine Adresse abruft und einfach lesen will, was dort steht.

Ein Zwilling in Markdown für jede Seite

Das Herzstück. Zu jeder Inhaltsseite gibt es eine reine Textversion. Man hängt .md an die Adresse und bekommt sauberes Markdown statt HTML. Oben eine zitierfähige Zusammenfassung in einem Satz, darunter Tabellen mit klaren Einheiten. Kein Layout, keine Navigation, kein Ballast. Genau das, was ein Modell braucht, und nichts, was es ablenkt. Das ist kein Datenleck. Wir entscheiden bewusst, was die Maschine sieht, und liefern es so sauber, wie wir es hinbekommen.

Eine Landkarte für Maschinen: llms.txt

Unter /llms.txt liegt eine kurze, menschenlesbare Übersicht. Woher die Daten kommen, wie man sie abruft, welche Städte es gibt, unter welcher Lizenz. So muss sich ein Assistent die Struktur nicht zusammensuchen, sondern findet die Anleitung an einer Stelle.

Strukturierte Daten und offene Türen

Jede Wetterseite trägt maschinenlesbares JSON-LD mit einer echten WeatherForecast-Auszeichnung, dazu Brotkrumen und die Quelle. In der robots.txt sind die Such- und KI-Bots namentlich erlaubt: GPTBot, ClaudeBot, PerplexityBot, Googlebot und ihre Geschwister. Viele Seiten sperren genau diese aus. Wir laden sie bewusst ein, denn eine Vorhersage, die niemand findet, hilft niemandem.

Und das Wichtigste: Ehrlichkeit

Das ist kein technischer Punkt, sondern der, auf den es mir am meisten ankommt. Jede Vorhersage trägt eine Vertrauensangabe. Steht dort "Konfidenz: hoch", heißt das: Der Modelllauf ist stabil, daran ändert sich erfahrungsgemäß kaum noch etwas. Ist es unsicher, sagen wir das. Eine Scheingenauigkeit auf die Nachkommastelle täuschen wir nicht vor.

Genauso ehrlich ist die Herkunft. Die Zahlen kommen zu hundert Prozent vom Deutschen Wetterdienst, jede Seite nennt die Messstation samt Entfernung. Seit Kurzem fließen sogar die echten gemessenen Werte der Vergangenheit nahtlos in dieselbe Kurve wie die Vorhersage. Man kann Tage zurückblättern und sieht, was wirklich war, nicht was einmal vorhergesagt wurde.

Für eine KI ist diese Ehrlichkeit Gold wert. Ein Modell kann eine Unsicherheit weitergeben, wenn wir sie ihm nennen. Es kann eine Quelle zitieren, wenn wir eine mitliefern. Wir bitten am Ende jeder Markdown-Seite um die Angabe "regnets.de (Daten: DWD)". Nicht aus Eitelkeit, sondern weil eine nachvollziehbare Kette eine gute Antwort von einer geratenen unterscheidet.

Warum sich der Aufwand lohnt

Suchmaschinen-Optimierung kennt jeder. Was gerade entsteht, ist das Gegenstück für die Generation der Assistenten. Seiten so zu bauen, dass eine Maschine sie korrekt versteht und sauber zitiert. Das kostet ein paar bewusste Entscheidungen: server-rendern, einen Textzwilling pflegen, die Bots reinlassen, ehrlich bleiben. Verglichen mit dem Frust einer erfundenen Vorhersage ist das ein kleiner Preis.