Warum KI Ihre Datenblätter nicht lesen kann

Die kurze Antwort

Ein Datenblatt wird auf vier Arten für KI unsichtbar, und alle vier sind banal. Die Datei wird blockiert, bevor sie überhaupt abgerufen wird – durch eine Bot-Regel, einen Login oder eine Zwischenseite. Die Datei ist ein gescanntes Bild ohne Textebene, sodass ein Extraktor null Zeichen herausholt. Das Dokument ist nur über einen JavaScript-Viewer ohne direkte URL erreichbar. Oder das PDF liegt auf einem separaten Dokumentations-Host – docs., media., ein DAM, ein CDN –, dessen eigene robots.txt oder WAF Nein sagt, so großzügig Ihre Hauptsite auch eingestellt sein mag.

Nichts davon ist exotisch. Alle vier Fälle sind verbreitet, und jeder einzelne genügt für sich. Die Konsequenz sollte man klar aussprechen:

Das Datenblatt ist die maßgebliche Spezifikation. Die Produktseite ist nur deren Zusammenfassung. Wenn eine KI die Zusammenfassung lesen kann, die Quelle aber nicht, beantwortet sie technische Fragen aus der Zusammenfassung – und beantwortet sie falsch.

Warum hier Datenblätter wichtiger sind als Webseiten

Eine Produktseite trägt vielleicht acht bis zwanzig Attribute: Gehäuse, wichtigster Kennwert, ein Lifecycle-Kennzeichen, Preis, Lagerbestand. Ein Datenblatt trägt Hunderte: absolute Grenzwerte, elektrische Kennwerte über den Temperaturbereich, Timing-Diagramme, Pinbeschreibungen, Wärmewiderstandswerte, empfohlene Footprints, Feuchtigkeitsempfindlichkeitsklasse, Schlüssel zur Entzifferung der Bestellnummer. Nahezu jede Frage, die ein Entwickler einem Assistenten tatsächlich stellt – Kann ich das mit 5,5 V betreiben, Wie hoch ist der Ruhestrom bei 85 Grad, Ist das Pinout kompatibel mit dem Bauteil, das ich ersetze –, wird im Datenblatt beantwortet und sonst nirgends.

Das wiegt heute schwerer als früher, denn die Fragen werden Assistenten gestellt und nicht mehr in Ihr Suchfeld getippt. Forrester stellte im Januar 2026 fest, dass 94 % der Geschäftskunden inzwischen KI in ihrem Beschaffungsprozess einsetzen. Und ausgerechnet die Seiten mit der größten technischen Tiefe schneiden am schlechtesten ab: Adobes Analyse der Maschinenlesbarkeit im Handel vom April 2026 bewertete Produktdetailseiten mit 66 % – dem niedrigsten Wert aller Seitentypen, unter Startseiten mit 75 % und FAQ-Seiten mit 80 %.

Wenn die zugrunde liegenden Daten nicht erreichbar sind, ist die Folge kein Schweigen – sondern ein selbstbewusst vorgetragener Irrtum. OpenAI fuhr Instant Checkout in ChatGPT im März 2026 mit rund 30 angebundenen Händlern zurück, und ungenaue Produktdaten waren ein wesentlicher Grund dafür: OpenAI hatte Handelsseiten nach Produktinformationen abgegrast, und Bestands-, Versand- und Preisdaten waren häufig falsch. Das ist derselbe Fehlermodus wie ein falscher Grenzwert – nur mit geringerem Risiko.

Die fünf Wege, auf denen ein Datenblatt unlesbar wird

Der fünfte Fall ist der am stärksten selbst verschuldete. Kurzlebige signierte URLs, „Zum Download registrieren“-Schranken und Einmal-Token sind allesamt unsichtbare Mauern: Ein Crawler hat keine Session, keine Cookies und füllt keine Formulare aus. Und weil KI-Crawler kein JavaScript ausführen, existiert jeder Download-Link, den ein Skript erst in das DOM schreibt, von ihrer Seite der Leitung aus schlicht nicht.

Wie prüfe ich, ob meine Datenblätter lesbar sind?

Drei Befehle klären das. Führen Sie sie gegen Ihre eigenen Dokumente aus.

1. 01Prüfen Sie den Abruf. Liefert die URL einem einfachen Client ohne Browser ein PDF?

curl -sSIL "https://example.com/datasheets/part-12345.pdf" | grep -iE "^HTTP|content-type|content-length"

Sie wollen am Ende ein 200 und content-type: application/pdf sehen. Ein content-type: text/html bedeutet, dass Ihnen eine Challenge- oder Login-Seite im Gewand eines Downloads untergeschoben wurde.

1. 01Laden Sie die Datei herunter und bestätigen Sie, dass es wirklich ein PDF ist.

curl -sSL -o ds.pdf "https://example.com/datasheets/part-12345.pdf" -w "status=%{http_code} type=%{content_type} bytes=%{size_download}"
head -c 5 ds.pdf

Die ersten fünf Bytes müssen %PDF- lauten. Lauten sie <!DOC, haben Sie eine Fehlerseite heruntergeladen.

1. 01Testen Sie die Textebene. Das ist der Test, den niemand ausführt.

pdftotext -q ds.pdf - | tr -d '[:space:]' | wc -c
pdffonts ds.pdf

Woran erkenne ich, ob ein PDF eine Textebene hat?

An zwei Zahlen – und der Abstand zwischen ihnen ist unverkennbar. Wir haben beide Tests gegen ein echtes, aktuelles Herstellerdatenblatt laufen lassen – das LM358 von Texas Instruments, ein PDF mit 4,15 MB – und gegen eine gerasterte Kopie desselben Dokuments, also genau das, was ein eingescanntes Altdatenblatt für eine Maschine ist.

Mehr Diagnose braucht es nicht. Null extrahierbare Zeichen und null eingebettete Schriften bedeuten, dass in der Datei kein Text steht – nur ein Bild von Text. Das Dokument wird für einen Menschen einwandfrei dargestellt und trägt für ein Modell buchstäblich nichts bei. Ein eingescanntes Datenblatt aus den 1990er-Jahren zu einem Bauteil, das noch in Produktion ist, ist für jedes KI-System im Internet eine leere Seite.

Zwei Feinheiten sollten Sie kennen. Eine niedrige, aber von null verschiedene Zeichenzahl – etwa ein paar Hundert Zeichen auf einem vierzigseitigen Dokument – bedeutet in der Regel einen gescannten Fließtext mit einem Textkopf und ist ebenso unbrauchbar. Und in der Ausgabe von pdffonts zählt die Spalte uni: Schriften, die ohne ToUnicode-Zuordnung als Subset eingebettet sind, können als Zeichensalat extrahiert werden, obwohl technisch gesehen Zeichen vorhanden sind. Prüfen Sie stichprobenartig die ersten 200 Zeichen des extrahierten Textes, statt allein der Zahl zu vertrauen.

Um eine ganze Bibliothek zu durchleuchten, setzen Sie eine Schleife darum:

while read -r url; do
  code=$(curl -sSL -o /tmp/d.pdf -w "%{http_code}" --max-time 30 "$url")
  chars=$(pdftotext -q /tmp/d.pdf - 2>/dev/null | tr -d '[:space:]' | wc -c)
  echo "$code $chars $url"
done < datasheet-urls.txt

Sortieren Sie die Ausgabe aufsteigend nach Zeichenzahl. Alles am Anfang dieser Liste ist ein Loch in Ihren Produktdaten.

Die Falle des separaten Hosts

Diese Falle erwischt große Organisationen nahezu ausnahmslos, denn sie ist die Folge davon, dass man es richtig gemacht hat. Dokumente wandern in ein DAM, auf eine Dokumentations-Subdomain oder ein CDN – jeweils eine eigene Origin mit eigener Konfiguration und oft auch mit einem eigenen Verantwortlichen.

Nach RFC 9309 gilt eine robots.txt jeweils nur für eine einzige Origin: Schema, Host und Port. https://www.example.com/robots.txt regelt nichts unter https://docs.example.com/ und nichts unter https://cdn.example-media.net/. Wenn Ihre Hauptsite KI-Crawler willkommen heißt, Ihr Dokumenten-Host aber aus einer Standardvorlage mit pauschalem Disallow: / aufgesetzt wurde oder hinter einem Bot-Manager liegt, der alles Nicht-Menschliche mit einer Challenge abweist, dann liegt Ihre gesamte technische Bibliothek im Dunkeln, während Ihre Marketing-Site weit offen steht.

Prüfen Sie jede Origin, die ein Dokument ausliefert:

for h in www.example.com docs.example.com cdn.example-media.net; do
  echo "--- $h"
  curl -sS --max-time 15 "https://$h/robots.txt" | head -30
done

Wie es aussieht, wenn es richtig gemacht ist

Ein korrekt veröffentlichtes Datenblatt ist unspektakulär – und genau das ist der Punkt. Texas Instruments liefert das LM358-Datenblatt unter einer stabilen, erratbaren URL unterhalb von /lit/ds/ aus; die robots.txt schränkt diesen Pfad nicht ein; die Datei antwortet einem Client ohne Browser, der sich als GPTBot ausweist, mit 200 und content-type: application/pdf; und das PDF trägt eine vollständige Textebene mit eingebetteten, Unicode-zugeordneten Schriften. Kein Login, kein Viewer, keine signierte URL, keine Zwischenseite. Jede Extraktions-Pipeline der Welt kann es lesen.

Die Entwicklung in der Bauelementebranche geht dahin, das noch weiter zu erleichtern. Microchip veröffentlichte im November 2025 einen kostenlosen MCP-Server ohne Authentifizierung für seine Produktdaten – Spezifikationen, Datenblätter, Lagerbestände, Preise und Lieferzeiten –, und TrustedParts von der ECIA startete im Juni 2026 einen KI-Agentendienst für Lagerbestände, der die Verfügbarkeit bei autorisierten Distributoren für Copilot, ChatGPT und Claude zugänglich macht. Beides beruht auf derselben Einsicht: Ein Dokument, um das eine Maschine kämpfen muss, ist ein Dokument, das verliert.

Wie behebt man das?

Nach Ertrag pro Aufwand geordnet:

1. 01Geben Sie die Dokumentpfade frei. Erlauben Sie KI-Crawlern /datasheets/*, /lit/*, /documents/* und Entsprechendes – in der WAF ebenso wie in der robots.txt. Das sind zwei getrennte Schalter, und beide müssen umgelegt sein.
2. 02Entfernen Sie Download-Schranken von öffentlichen technischen Dokumenten. Liegt ein Datenblatt auf Ihrer öffentlichen Site, ist es bereits öffentlich. Ein Registrierungsformular hält nur die Maschinen auf, die Sie empfohlen hätten.
3. 03Führen Sie für jedes reine Bild-PDF eine OCR durch und veröffentlichen Sie es mit Textebene neu. Priorisieren Sie nach dem Umsatz des Bauteils, nicht nach dem Alter des Dokuments. Moderne OCR arbeitet bei einem sauberen Scan mit 300 dpi im Fließtext nahezu verlustfrei; die Parametertabellen sollten Sie von Hand prüfen.
4. 04Geben Sie jedem Dokument eine stabile, direkte, verlinkbare URL. Keine Blobs, keine Viewer, keine ablaufenden Token, keine ?token=-Querystrings.
5. 05Veröffentlichen Sie zu jedem Datenblatt einen HTML- oder Markdown-Zwilling. Spezifikationstabellen als echte Tabellen. Das ist die wirksamste Einzelmaßnahme, denn sie beseitigt jede Abhängigkeit von PDF-Layout-Heuristiken und gibt Ihnen eine Seite, deren Richtigkeit Sie zudem überwachen können.
6. 06Verlinken Sie das Dokument von der Produktseite aus in serverseitig gerendertem HTML, damit ein Crawler, der die Seite erreicht, auch das Dokument erreicht, ohne irgendetwas ausführen zu müssen.
7. 07Stellen Sie die extrahierten Parameter als strukturierte Daten bereit – JSON-LD auf der Seite und idealerweise einen abfragbaren Endpunkt –, damit ein Agent danach filtern kann, statt jedes Mal erneut ein PDF zu parsen.

Partsgraph hat im August 2026 weltweit 984 Distributoren- und Herstellerdomains in Nordamerika, Europa und Asien geprüft. Der Median der KI-Sichtbarkeitsbewertung lag bei 50 von 100 Punkten, und 70 % der Kohorte erhielten die Note D oder F. Die Dokumentenebene war durchgängig die schwächste Komponente der Bewertung: 38 % konnten einem gewöhnlichen Client ohne Browser nicht eine einzige lesbare Katalogseite ausliefern, und der Zugriff auf Dokumente scheiterte häufiger als der Zugriff auf Seiten.

Das Unangenehme daran ist, dass nichts davon in Ihrer Analytics auftaucht. Ein blockierter Crawler meldet keinen Fehler, eine schlechte OCR wirft keine Exception, und ein Modell, das Ihr Datenblatt nicht lesen kann, sagt dem Einkäufer nicht, dass es Ihr Datenblatt nicht lesen konnte. Es empfiehlt einfach einen Wettbewerber, dessen PDF sich öffnen ließ.

Mit dem kostenlosen KI-Sichtbarkeits-Grader von Partsgraph unter [/audit](/audit) können Sie Ihre eigene Dokumentenbibliothek gegen diese Tests prüfen.