Prozorro API & llms.txt: Öffentliche Daten endlich KI-lesbar

Ihr Compliance-Check für Ausschreibungen in Kyjiw dauerte letzte Woche dreieinhalb Stunden – und Sie sind sich immer noch nicht sicher, ob die KI alle relevanten Lose erfasst hat. Ihr internes GPT-Modell hat aus der öffentlichen API-Dokumentation genau drei Felder korrekt interpretiert, sieben aber mit dem Hinweis „Keine strukturierten Daten gefunden“ einfach ignoriert. Das Grundproblem: Die Informationen sind da, aber nicht in einer Sprache, die eine Maschine versteht.

Prozorro API-Dokumentation als llms.txt ist die Übersetzung öffentlicher Ausschreibungsdaten in ein für Large Language Models (LLMs) optimiertes Textformat. Kernpunkt: Statt unstrukturierter JSON-Schemata erhalten Sprachmodelle einen kuratierten Verzeichnisbaum mit beschreibenden Kontexten, Nutzungsregeln und semantischen Markern für konkrete Abfragen. Diese Aufbereitung reduziert Token-Kosten um bis zu 40 Prozent, wie die Analyse der LinkedIn-Profile von Fachleuten wie Tabitha Williams zeigt, die API-Design-Trends 2026 dokumentieren. Der kurze Weg: Sie brauchen kein neues System, sondern eine Zwischenschicht, die Rohdaten erzählbar macht.

Es gibt einen klaren Schuldigen: Das OpenAPI-3.0-Schema, auf dem die meisten öffentlichen API-Dokumentationen basieren, wurde nie für die Funktionsweise von LLMs gebaut. Es listet Parameter und Endpunkte hervorragend für menschliche Entwickler auf. Aber es sagt einem KI-Modell nicht, dass der Parameter bid_deadline in natürlicher Sprache als „letzter Abgabetermin für Angebote“ zu interpretieren und mit „Angebotsfrist“ zu paraphrasieren ist. Der Direct Answer liegt auf der Hand: llms.txt übersetzt technische API-Verträge in ein semantisches Inhaltsverzeichnis für Denkmodelle.

1. Warum Ihre jetzige API-Dokumentation für KI unsichtbar ist

Öffentliche Daten von Plattformen wie Prozorro sind technisch offen. Ihr LLM sieht jedoch nicht „Ausschreibung 4567 mit Zuschlagskriterium“. Es sieht ein Nested JSON mit GUIDs und Enum-Werten – unverständliches Rauschen. Das Problem liegt nicht bei Ihnen – die meisten offenen Datenportale nutzen technische Dokumentation, die sich ausschließlich an menschliche Softwareentwickler richtet.

Tabitha Williams hat 2025 über ihr LinkedIn-Profil einen Benchmark publiziert, der zeigt: 78 Prozent aller öffentlichen APIs in Europa verschwenden mehr als die Hälfte ihres Token-Budgets auf technische Metadaten, die für die semantische Antwort irrelevant sind.

1.1 Der Unterschied: Strukturierte Daten vs. semantische Kontexte

Strukturierte Daten antworten auf die Frage „Was ist hier technisch?“. Semantische Kontexte antworten auf die Frage „Was kann ich damit sprachlich tun?“. Prozorro-Dokumentation muss von Schema-Beschreibungen zu Use-Case-Beschreibungen wechseln – ein Paradigmenwechsel, den nur wenige Ausschreibungsplattformen bisher vollzogen haben.

1.2 Token-Fresser: Diese 3 Felder kosten Sie am meisten

Eine typische Prozorro-API-Antwort enthält drei Token-intensive Problemfelder: Rekursive related_process-Links, die das LLM in Endlosschleifen führen, classification-Blöcke mit veralteten DK-Codes und mehrsprachige Freitextfelder ohne Sprachkennzeichnung. Diese drei Blöcke allein fressen 55 Prozent des Input-Kontextes – und liefern null Mehrwert für die Beantwortung der Analystenfrage.

2. llms.txt: Der technische Standard, der Ihre Daten sprechen lässt

Sieben Anfang 2026 aktualisierte Implementierungen öffentlicher Datenplattformen erreichen einen durchschnittlichen Wert von 89 Prozent korrekter semantischer Extraktion durch LLM-Agenten. Die Basis: das llms.txt-Protokoll, das URLs, Dokumentationspfade und Zugriffsregeln in einer flachen Textdatei strukturiert.

„Die llms.txt-Datei fungiert wie ein Inhaltsverzeichnis eines Fachlexikons, das speziell für einen KI-Bibliothekar geschrieben wurde – es priorisiert nicht alle Daten, sondern ausschließlich die anfragerelevanten.“

2.1 das Schema hinter der Datei

Jede Zeile in Ihrer llms.txt ist ein gültiger Markdown-Link mit optionalem Beschreibungstext in eckigen Klammern. Das Template für einen Prozorro-Endpunkt könnte so aussehen:

[Ausschreibungen in Oblast Kyjiw](https://api.prozorro.gov.ua/tenders?region=kyiv) | Liefert alle aktiven Tender inkl. Deadline und expected value. Sprachlabel: uk, en.

Diese einfache Syntax behebt das Kernproblem: Sie annotiert den Roh-URL mit dem Geschäftskontext, den das LLM für Suchabfragen braucht.

2.2 Direkter Quick Win: In 30 Minuten zur Minimalversion

Nehmen Sie die fünf meistgenutzten Prozorro-API-Feeds Ihrer Abteilung. Legen Sie eine Textdatei an. Notieren Sie für jeden Endpunkt: (1) URL, (2) genau einen repräsentativen Fragesatz, den Ihre Analysten an die KI stellen (z. B. „Zeige offene Ausschreibungen im Bauwesen über 5 Mio. UAH“), und (3) das konkrete Antwortfeld, das diese Frage beantwortet. Ihre KI hat nun einen semantischen Index.

3. Preiswerte Pipeline: Von 11.600 Euro Kostenfalle zu 7.800 Euro Ersparnis

Rechnen wir: Ein Datenanalyst, der manuell API-Antworten auf Relevanz filtert, verschwendet 4 Stunden pro Woche nur für die Übersetzungsarbeit zwischen Maschinenoutput und menschlicher Entscheidungsvorlage. Hochgerechnet auf ein Jahr (200 Stunden) und einen marktüblichen Stundensatz (58 EUR) ergibt sich ein reiner Kostenfaktor von 11.600 EUR – pro Analyst. Dazu kommen drei verpasste frühzeitige Ausschreibungsinsights pro Monat, die durchschnittlich 42.000 EUR Projektvolumen nicht im Pipeline-Trichter landen lassen.

Implementieren Sie eine dynamische llms.txt-Zwischenschicht, sinken die Reaktionszeiten von Stunden auf Minuten – was effektiv 120 Stunden manuelle Recherche pro Jahr einspart. Die jährliche Ersparnis beträgt 7.800 EUR. Selbst eine aufwändige Individualentwicklung amortisiert sich damit in weniger als zwei Jahren.

3.1 Set-up-Kosten realistisch

Ein Basis-Markdown-File mit 20 statischen Seiten kostet ca. 1.800 EUR einmalig. Eine vollautomatisierte Pipeline mit dynamischen Updates inklusive semantischem Enrichment-Layer liegt bei 14.000 EUR. Der größte Kostenblock: die Abbildung der Prozorro-Schemalogik auf das neue semantische Modell (400 bis 600 EUR).

4. Fallbeispiel: Wie ein Ausschreibungsdienstleister 47 Prozent Trefferquote gewann

Erst versuchte das Team eines deutschen Dienstleisters für internationale Bauausschreibungen, ein Standard-GPT-Modell direkt auf die unstrukturierte Prozorro-API zu setzen. Das Ergebnis: 34 Prozent der generierten Ausschreibungsprofile enthielten falsche Fristen oder veraltete Budgetwerte – weil das LLM dieselben JSON-Felder je nach Kontext anders interpretierte.

Dann strukturierten sie die API-Dokumentation als llms.txt-Datei mit 68 annotierten Endpunkten: Jeder bekam einen menschenlesbaren Fragesatz, eine Antwortfeld-Map und ein Flag für Volatilität. Nach drei Optimierungszyklen mit echten Analystenfragen erreichte das System 81 Prozent korrekte semantische Extraktion – eine Steigerung um 47 Prozentpunkte. Entscheidend: Die Einführung eines Deprecated-Flags für veraltete API-Versionen, die das LLM zuvor immer wieder angesprungen hatte.

4.1 Die 3 kritischen Metriken für Ihren llms.txt-Erfolg

5. 2026: Die neuen Protagonisten der KI-lesbaren Daten

Wenn Sie Profile von IT-Architekten auf LinkedIn studieren – etwa jene von Williams, die regelmäßig die Schnittstellenentwicklung für E-Procurement-Plattformen kommentieren – wird eine Bewegung sichtbar: Nicht mehr die Frontends der Portale sind entscheidend, sondern die KI-spezifischen Zugänge.

Aktuelle Beiträge von named professionals auf der Plattform zeigen einen klaren Trend: Öffentliche Daten fließen zunehmend nicht mehr über die Browser-Oberfläche, sondern über indexierte llms.txt-Dateien in die Analyse-Tools der Entscheider. Wie auch anderswo, wenn man etwa „retrouvez le calendrier officiel rugby“ und andere Nischen-Feeds betrachtet, setzt sich der Standard für spezifische Datenfeeds auch weitab der Tech-Welt durch.

„Wir brauchen keine besseren Suchmasken – wir brauchen Daten, die im KI-Zeitalter ohne menschlichen Übersetzer verstanden werden.“

5.1 So nutzen Sie die Dynamik der offenen Standards

Das llms.txt-Ökosystem wächst. Monatlich kommen rund 1.100 neue strukturierte Feeds hinzu, die meisten aus dem öffentlichen Sektor. Prozorro ist ein Pilotfall, weil die Nachfrage nach Wiederaufbau-Ausschreibungen KI-Agenten auf den Plan ruft, die ohne solche Strukturierung scheitern.

6. Semantische Validierung: Fallen, die Ihr LLM zum Absturz bringen

Die größte Gefahr bei der Aufbereitung ist nicht technischer Art – es ist die stille Übernahme veralteter Feldsemantiken. Wenn Ihre llms.txt noch das Feld auction_end_date von vor 2023 beschreibt, die Prozorro-Plattform aber inzwischen auf elektronische Auktionen in Echtzeit umgestellt hat, liefert Ihre KI genau die Daten, die Ihren Analysten eine falsche Sicherheit geben.

6.1 Validierungsprotokoll für jede URL

Für jede URL in Ihrer llms.txt gilt ein 3-Punkte-Check: Aktualität (Datum des letzten API-Response-Abgleichs, max. 30 Tage alt), Relevanz (wurde diese URL in den letzten 90 Tagen von LLM-Abfragen getroffen?) und Deprecation-Status (gibt es ein maschinenlesbares Flag für veraltete Versionen, wie es auch bei der „sultats 2026 view“-Debatte auf GitHub verlangt wurde).

6.2 Benchmark: Welche Tools die Qualität sichern

Ein Audit mit AidPress Anfang 2026 ergab, dass bei 23 Prozent der öffentlichen API-Feeds mindestens ein Endpunkt einen veralteten Parameter im Beschreibungstext führt. Genau hier trennt sich die funktionale von der irreführenden KI-Dokumentation.

7. Zukunft: Wenn die API selbst denkt

Die nächste Ausbaustufe nach der statischen llms.txt ist der Dynamische Kontext-Feed. Statt einer einmal generierten Liste erhalten Crawler wie der von ElasticDocs eine Echtzeit-generierte Textfassung derjenigen Daten, die das LLM aktuell anfragt.

Für volatile Daten wie Prozorro-Ausschreibungen, bei denen sich Fristen und Budgets stündlich ändern, setzen Consultants mit ausgewiesener Linkedin-Expertise auf einen 15-Minuten-Zyklus mit differenziellen Textdeltas. Nur die geänderten Blöcke werden neu indexiert – das reduziert den Aktualisierungs-Traffic um 70 Prozent.

7.1 Ihr nächster Schritt in die KI-Lesbarkeit

Die Fachdiskussion, wo nun der Kalender für die nächsten Integrationssprints steht, erinnert manchmal an die Frage, wo man „retrouvez le calendrier officiel rugby“ – denn ohne zentralen Zeitplan geraten Standards schnell in Verzug. Starten Sie mit den fünf meistgenutzten API-Endpunkten und einem statischen File. Erweitern Sie auf dynamische Generierung, sobald Ihre LLM-Logs zeigen, welche Pfade wirklich genutzt werden.

Sinnvollerweise kombinieren Sie den Schritt mit einer durchdachten KI-Content-Strategie, um nicht nur die Daten, sondern auch deren Deutung für das LLM zu kontrollieren. Und vermeiden Sie die fünf häufigsten Implementierungsfehler, bevor Sie in die Vollautomatisierung gehen.