Information Gain ist doppelt belegt. Im Machine Learning steuert Information Gain als Entropie-Maß die Aufteilung von Entscheidungsbäumen. Dieser Beitrag behandelt Information Gain als SEO-Konzept, also die Frage, ob eine Seite dem Google-Index und den KI-Systemen etwas Neues liefert.

Um das Thema kursieren gerade steile Schlagzeilen. Eine amerikanische SEO-Agentur titelt „Information Gain: Google’s #1 Ranking Signal in 2026“ und führt die Volatilität des März-Core-Updates als Beleg an. Bestätigt hat Google einen solchen Ranking-Faktor nie. Die Gegenseite kontert reflexhaft mit „Information Gain ist kein Ranking-Faktor“ und hakt das Thema damit ab.

Ehrlicherweise halte ich beide Positionen für Wortklauberei. Es gibt nicht den einen großen Information-Gain-Knopf im Ranking. Es gibt diverse Signale, und alle belohnen dasselbe: Inhalte mit eigenem Beitrag statt Wiederholung des Index. Die Ranking-Faktor-Debatte lenkt von der eigentlichen Rechnung ab, und genau um diese Rechnung geht es in der Sichtbarkeits-Ökonomie.

Information Gain ist ein Patent, kein Ranking-Knopf

Das Google-Patent „Contextual Estimation of Link Information Gain“ (US12013887B2) geht auf eine Erstanmeldung vom 18.10.2018 zurück; die aktuelle Fassung wurde am 18.06.2024 erteilt. Das Patent beschreibt einen Score für den Neuigkeitswert eines Dokuments. Der Score misst den zusätzlichen Informationswert für einen Nutzer, der andere Dokumente zum selben Thema bereits gesehen hat. Der Patent-Analyst Bill Slawski hat die veröffentlichte Anmeldung schon 2020 als einer der Ersten analysiert.

Der Kontext im Patent ist aufschlussreicher als die Schlagzeilen darüber. Die Scores greifen bei Folge-Ergebnissen, nachdem jemand erste Treffer gesehen hat und weitere Informationen anfordert. Als Anwendungsfälle nennt das Patent automatisierte Assistenten und das Nachsortieren von Suchergebnissen, die ein Nutzer noch nicht gesehen hat. Von der ersten, frischen Trefferliste steht dort nichts, und Google hat eine Nutzung in der produktiven Suche nie bestätigt.

Wer daraus „kein Ranking-Faktor, Thema erledigt“ macht, argumentiert allerdings genauso schief, nur in die andere Richtung. Googles Helpful Content Update von 2022 und die Core Updates der letzten Jahre werten Inhalte ohne eigenen Beitrag ab. Der deutsche, in den USA arbeitende Growth-Advisor Kevin Indig nennt solche Inhalte treffend „samesies content“. Das heißt: Der eine benannte Faktor existiert nicht, die Belohnung für echten Informationszuwachs existiert trotzdem, verteilt über viele Systeme. Deswegen ist die Frage nach dem Ranking-Faktor die falsche Frage.

Commodity Content: Google benutzt den Begriff mittlerweile selbst

Commodity Content ist ein Inhaltstyp, der nur den thematischen Konsens wiedergibt und dort stehen bleibt. Die Definition stammt nicht aus einem SEO-Blog, sondern aus Googles offizieller Anleitung für Sichtbarkeit in KI-Funktionen. Solcher Content basiere auf Allgemeinwissen („often based on common knowledge“), könne von jedem stammen und liefere kaum eigene Erkenntnis („little unique insight for readers“). Googles Beispiel: ein Artikel wie „7 Tipps für Erstkäufer einer Immobilie“.

Geprägt hat den Begriff Kevin Indig. Eine Commodity ist in der Ökonomie ein austauschbares Massengut wie Weizen oder Rohöl. Kevin Indig hat das Konzept bereits 2021 als „Content Commodity Trap“ auf Inhalte übertragen. Dass Google die Vokabel fünf Jahre später in die eigene Dokumentation übernimmt, zeigt, wie ernst das Problem im KI-Zeitalter geworden ist.

Eine Unterscheidung verrutscht in der Debatte ständig: Konsens ist nicht dasselbe wie Commodity Content. Konsens sind die etablierten Fakten, die jede rankende Seite zu einem Thema abdecken muss. Der Konsens ist die Eintrittskarte. Commodity Content ist das Werturteil über eine Seite, die bei dieser Eintrittskarte stehen bleibt und nichts Eigenes hinzufügt.

Die SEO-Strategin Jes Scholz hat im Juni 2026 einen Test vorgeschlagen, der das Problem schonungslos sichtbar macht: Nimm das Logo von deiner Seite. Könnte ein Wettbewerber die Seite unverändert übernehmen, ohne dass etwas auffällt, hätte sie nie live gehen dürfen. Ihre Einordnung geht noch weiter: Austauschbarkeit ist eine größere Gefahr für den Wert von Content als der Google AI Mode.

Die Sichtbarkeits-Ökonomie: fünf Stufen, zwei Stellschrauben

Warum sollte Google deine Seite crawlen, indexieren, ausspielen, ranken und dir obendrein Klicks schicken? Diese Frage stelle ich jedem Kunden, und die ehrliche Antwort lautet bei Commodity Content: Es gibt keinen Grund. Sichtbarkeit ist eine Ökonomie mit fünf Stufen, und auf jeder Stufe rechnet Google Aufwand gegen Ertrag.

Die Einzahlung auf dieses Konto ist der Information Gain. Die Kostenseite heißt Cost of Retrieval, also der Rechenaufwand, den Google für Crawling, Abruf und Verarbeitung einer Seite betreiben muss. In den SEO-Audits von HECHT INS GEFECHT hat diese Rechnung ein eigenes Kapitel namens Search Economy, weil beide Stellschrauben nur zusammen funktionieren.

Wie das Zusammenspiel in der Praxis kippt, zeigt ein Onlineshop aus einem unserer Audits. Der Blog enthielt 1.159 Artikel mit brauchbarer Substanz, praktisch nichts davon war indexiert. Das Audit fand über 7.000 Sitemap-Warnungen und Render-Blocking auf 73 von 74 geprüften Seiten. Der Information Gain war vorhanden, aber der Abruf so teuer, dass Google die Inhalte schlicht nie eingesammelt hat.

Genauso scheitert die Gegenkombination: ultraschlanke Technik ohne eigenen Gehalt, und die Seite bleibt dauerhaft bei „gecrawlt, nicht indexiert“. So ist es mir selbst beim SEO-Contest 2026 passiert; die Geschichte erzähle ich im Cost-of-Retrieval-Beitrag. Wer nur eine der beiden Stellschrauben bedient, verliert auf einer der fünf Stufen. In der Regel merkt man es erst auf der letzten, wenn die Klicks ausbleiben.

Der britische SEO Andrew Holland nennt dieselbe Rechnung Information Gain Rate: maximale Information für minimalen Aufwand, bei Menschen wie bei Suchmaschinen und LLMs. Erfunden hat Holland diese Formel nicht. Sie stammt aus der Information Foraging Theory, die Peter Pirolli und Stuart Card Ende der 1990er bei Xerox PARC entwickelt haben. Menschen suchen Informationen demnach nach demselben Muster, nach dem Tiere Nahrung suchen. Sie bewerten jede Quelle nach Ertrag pro Beschaffungsaufwand und ziehen weiter, sobald die Rechnung kippt. Die Sichtbarkeits-Ökonomie ist also kein Google-Artefakt, sondern ein fast 30 Jahre altes Prinzip der Kognitionsforschung. Wie diese Formel die Themenwahl steuert, steht im Beitrag zu Topic Research statt Keyword-Recherche.

Commodity Content rankt trotzdem (noch)

Originalität ist im klassischen Google-Ranking keine Voraussetzung für Top-Positionen. Das legt eine Studie von On-Page.ai vom Juni 2026 nahe. Untersucht wurden 150 Seiten auf Top-3-Positionen über 50 Keywords in zehn Branchen. Der Median-Originalitätsscore lag bei 52 von 100, und er unterscheidet sich zwischen Position 1, 2 und 3 praktisch gar nicht (52 / 51,5 / 52). 24 % der Top-3-Seiten waren überwiegend Commodity Content.

Zwei Befunde aus der On-Page.ai-Studie stechen heraus. Seiten mit 15 oder mehr eigenen Datenpunkten erreichten im Schnitt 62 von 100 Punkten, Seiten mit höchstens einem eigenen Datenpunkt nur 40. Eigene Zahlen sind damit der stärkste Einzelhebel für Originalität. Und in 90 % der untersuchten Suchergebnisse blieb mindestens eine naheliegende Leserfrage von allen Top-3-Seiten unbeantwortet. Diese Lücken sind dein konkretes Ziel.

Zur Einordnung gehört: Die On-Page.ai-Studie arbeitet mit 15 Seiten pro Branche, einem einzigen Scan-Tag und einem proprietären Score. Die Autoren benennen diese Grenzen selbst, und einen Kausalzusammenhang mit Rankings behauptet die Studie ausdrücklich nicht. Die Richtung deckt sich trotzdem mit Googles eigener Dokumentation und mit dem, was HECHT INS GEFECHT bei Kunden sieht.

Man könnte meinen, damit sei Commodity Content eine funktionierende Strategie. Für die blaue Trefferliste stimmt das kurzfristig sogar. Nur bewegt sich der Boden inzwischen eine Stufe vorher, bei der Indexierung.

Von Ende April bis in den Juni 2026 häuften sich Berichte über Websites, die massenhaft Seiten aus dem Google-Index verloren. Mitte Mai schlugen über ein Dutzend Volatilitäts-Tools gleichzeitig aus. John Mueller sah darin zunächst nichts Ungewöhnliches. Die Erklärung lieferte er im Juli 2026 im Podcast Search Off the Record nach: Wenn Googles Systeme ernsthaft an der Qualität einer Website zweifeln, drosseln sie Crawling und Indexierung für die gesamte Site, nicht für einzelne URLs. Der Search-Console-Status „Gecrawlt, zurzeit nicht indexiert“ ist das sichtbare Symptom dieser Entscheidung. Muellers Beispiel für solche Qualitätszweifel ist austauschbarer KI-Content, wörtlich: „Anyone could have written this. This tells me nothing.“ Deutlicher wird Google kaum noch sagen, dass die Indexierung ein Qualitäts-Gate ist.

Die Auszahlung verschiebt sich außerdem dorthin, wo austauschbare Inhalte am ehesten wegfallen: in AI Overviews und im Google AI Mode.

Die KI-Suche bezahlt für Zahlen, Daten und Fakten

First-Party-Daten, also eigene Daten aus dem Unternehmen, sind in der KI-Suche der wertvollste Rohstoff, und das ist mittlerweile messbar. Kevin Indig hat mit dem Analytics-Anbieter Gauge untersucht, welche Seiten KI-Systeme tatsächlich zitieren. Von 301 analysierten Seiten enthielten nur 8 echte Primärforschung, also 2,7 %. Diese 8 Seiten holten 90 von 1.075 Citations, also 8,4 % des gesamten Volumens.

First-Party-Research wird 3,3x häufiger zitiert

Eine Seite mit eigener Forschung erhielt im Schnitt 11,3 Citations, alle übrigen Seiten 3,4. Wer eigene Daten publiziert, wird von KI-Systemen 3,3x häufiger zitiert. In kaum einem anderen Content-Feld ist das Verhältnis von Nachfrage zu Angebot so günstig.

Die Kernzahlen der Auswertung im Überblick:

Dieselbe Analyse liefert eine Warnung hinterher: Von 365 zitierten URLs waren 64 tot, umgeleitet oder kaputt, wodurch 203 Citations ins Leere liefen. Eine stabile URL ist Teil der Einzahlung.

Die akademische Bestätigung liefert ein Paper zur GEO (Generative Engine Optimization) von einem Forscherteam um die Princeton University (Aggarwal et al., 2024). Das Team hat systematisch getestet, welche Optimierungen die Sichtbarkeit in KI-Antworten erhöhen. Die drei stärksten Methoden waren das Ergänzen von Statistiken, Zitaten und Quellenangaben, mit 30 bis 40 % mehr Sichtbarkeit im Benchmark. In der Validierung auf Perplexity brachte das Ergänzen von Zitaten 22 % Verbesserung, während klassisches Keyword-Stuffing rund 10 % schlechter abschnitt als gar keine Optimierung.

Auch Google selbst beschreibt die Optimierung für die KI-Suche mittlerweile so. Nick Fox verantwortet als Senior Vice President bei Google den Bereich Knowledge and Information, zu dem die Suche gehört. Im Mai 2026 sagte Fox: „The way to optimize for AI search is the same way to optimize for search. Create great content.“ Die Regeln bleiben dieselben, nur die Auswahl wird härter.

Die ersten 30 % der Seite entscheiden über die Zitierung

Die Platzierung der Substanz ist genauso messbar. Eine Auswertung von 18.012 verifizierten ChatGPT-Citations zeigt eine klare Verteilung: 44,2 % aller Citations stammen aus den ersten 30 % einer Seite. Am härtesten liest die KI im Bereich zwischen 10 % und 20 % der Seitenlänge, tief vergrabener Content wird rund 2,5x seltener zitiert.

Die Platzierungsdaten und die On-Page.ai-Studie zeigen dieselbe Reihenfolge: den Konsens früh und knapp abhandeln, die eigene Differenzierung direkt danach. Das heißt konkret: Die stärkste eigene Zahl gehört ins obere Drittel der Seite, direkt nach der schnellen Antwort. Wer seine besten Daten im Fazit versteckt, bezahlt die Recherche und verschenkt die Zitierung.

Warum Redundanz für KI-Systeme teuer ist

Google-Forscher haben mit GIST (Greedy Independent Set Thresholding) einen Auswahl-Algorithmus publiziert, der Nutzen und Vielfalt kombiniert. Der Algorithmus wählt aus einem Kandidaten-Pool eine Teilmenge, deren Elemente möglichst relevant und zugleich möglichst verschieden sind. Entwickelt wurde GIST für Daten-Sampling, die Übertragung auf die Quellenauswahl in KI-Antworten ist eine naheliegende Interpretation aus dem SEO-Bereich, kein belegter Einsatz. In SEO-Artikeln kursiert dazu ein Schwellenwert von 0,85 Cosine Similarity. Diese Zahl steht weder im Paper noch im Google-Research-Blog, das ist Folklore.

Die GIST-Logik trägt trotzdem, auch ohne erfundene Schwelle. Zwei fast identische Quellen liefern einer KI-Antwort keinen doppelten Wert, kosten aber doppelt Rechenleistung. Wer nur den Konsens wiederholt, sieht in den Vektoren aus wie die Quelle, die längst ausgewählt ist. Domain-Autorität rettet an dieser Stelle wenig, und warum KI-Systeme dann das plausibel Falsche empfehlen, steht im Beitrag zu Semantic Drift.

Diese Ähnlichkeit ist übrigens kein Zufall, die SEO-Branche hat sie jahrelang aktiv trainiert. Ich habe selbst lange mit Tools wie PageOptimizer Pro von Kyle Roof, NEURONwriter und Surfer SEO gearbeitet. Deren Prinzip heißt WDF*IDF: Miss, welche Begriffe die ersten zehn Ergebnisse wie stark verwenden, und gleiche deinen Text daran an. Das erschien mir lange logisch. Wer in die Phalanx der ersten zehn Ergebnisse einbrechen will, muss Ähnliches schreiben wie sie, gemessen an den Keywords. Nur produziert genau diese Logik die Vektor-Nachbarschaft, die in der KI-Suche aussortiert wird. Mit Keywords arbeite ich deshalb gar nicht mehr. Sie sind maximal ein Indikator dafür, was gesucht wird. Die Optimierung läuft über natürliche Sprache, Entitäten und echte Queries aus LLMs.

KI aus dem Chatfenster ist ein Content-Mixer

Ein Content-Mixer ist ein LLM (Large Language Model), das ohne eigenen Input nur vorhandene Quellen neu abmischt und per Definition keinen Information Gain liefert. Wer ChatGPT im Browser-Fenster einen Blogpost schreiben lässt, bekommt letztlich eine Websuche mit anschließendem Remix. Das Modell zieht die vorhandenen Quellen, mischt sie neu ab und formuliert sie glatter. Es entsteht ein Derivat.

Google formuliert das in der eigenen KI-Anleitung unmissverständlich. Die Anleitung rät von Inhalten ab, die sich leicht von einem generativen Modell erzeugen lassen („could easily be produced by a generative AI model“). Großflächig generierte Seiten ohne eigenen Wert führt Google unter „scaled content abuse“ in den Spam-Richtlinien.

In Kunden-Workshops warne ich seit Jahren genau davor, Texte komplett von der KI schreiben zu lassen. Der Grund ist nicht Prinzipienreiterei, sondern die fehlende Einzahlung.

Der bessere Weg: eine eigene Datenbasis aufbauen, im Englischen gern Knowledge Base genannt. Dazu zählen Verkaufsdaten, Messwerte, Support-Fragen, eigene Tests und dokumentierte Kundenfälle. Mit dieser Basis wird die KI vom Mixer zum Werkzeug.

Dass die Linie zwischen Werkzeug und Quelle verläuft und nicht zwischen Mensch und KI, haben wir bei HECHT INS GEFECHT selbst bewiesen. Beim SEO-Wettbewerb Keywordkönig 2025 hat KI-generierter Content zum Sieg im KI-Wettbewerb von RankScale beigetragen: 199 LLM-Erwähnungen, Platz 1. Der Content lief durch unsere semantischen SEO-Regeln und wurde mit eigener Substanz gefüttert, statt frei zu halluzinieren. Die Details stehen im Beitrag zu Semantisches SEO.

Case: +106 % Klicks ohne bessere Rankings

Und was passiert mit den Klickzahlen, wenn man flache Ratgeber-Artikel durch dichte ersetzt? Bei einem Fachshop im Heimtier-Segment hat HECHT INS GEFECHT genau das gemessen. Die Blog-Klicks stiegen um 106 %, während die durchschnittliche Ranking-Position praktisch unverändert blieb.

Die Ausgangslage: 22 Ratgeber-Artikel, seit Jahren online, inhaltlich korrekt, aber zu flach, zu allgemein und zu dünn an Informationen. HECHT INS GEFECHT hat alle 22 Artikel neu geschrieben, mit konkreten Zahlen und Werten, schnellen Antwortblöcken nach jeder Überschrift, Tabellen und einem Inhaltsverzeichnis mit Sprungmarken. Die Substanz kam aus dem Wissen des Shop-Betreibers, also aus Erfahrung aus erster Hand, die in keinem Konkurrenz-Text steht.

Gemessen habe ich zwei gleich lange 61-Tage-Fenster in der Google Search Console. März bis April 2026 zeigt die alten Artikel, Juni bis Anfang August 2026 die neuen.

Der Rest der Domain dient dabei als Kontrollgruppe: Der Shop insgesamt lief im selben Zeitraum leicht rückläufig, Saisoneffekte allein erklären den Sprung also nicht. Ehrlicherweise hat auch diese Messung Grenzen: Die Fenster liegen in unterschiedlichen Jahreszeiten, und der Shop hat parallel an anderen Stellen weiter optimiert.

Die Klicks verdoppelten sich bei nur 43 % mehr Impressionen. Die Klickrate stieg von 1,3 % auf 1,9 %, bei fast gleicher Position. Ein Bonus-Effekt kam zusätzlich zu den Impressionen in der Tabelle dazu. Die neuen Sprungmarken aus den Inhaltsverzeichnissen tauchen als eigene URLs in den Suchergebnissen auf. Sie sammelten 87.827 Impressionen, vorher waren es exakt null.

Für mich ist das der interessanteste Teil des Cases: Dichterer Content wirkt auch ohne Ranking-Sprung. Der gesamte SEO-Bereich starrt auf Positionen. Die Auszahlung kam hier über bessere Snippets, neue Flächen auf der Suchergebnisseite (SERP) und Nutzer, die das Ergebnis häufiger wählten.

So lieferst du Information Gain (und hältst den Abruf billig)

Der Weg raus aus dem Commodity Content führt über vier Hebel: eine eigene Datenbasis, die richtige Platzierung, eine nachvollziehbare Methodik und einen günstigen Abruf. Die vier Hebel stammen aus der Arbeit von HECHT INS GEFECHT mit E-Commerce- und B2B-Kunden und decken sich mit den Daten aus diesem Beitrag.

Baue eine eigene Datenbasis auf

Fast jedes Unternehmen erzeugt nebenbei Daten, die so nirgends im Netz stehen. Dazu zählen Verkaufs- und Nutzungsdaten, Messwerte aus der eigenen Fertigung, wiederkehrende Fragen aus Support und Beratung sowie Ergebnisse eigener Tests. Ein Hersteller sitzt auf Detailwissen aus der Produktion, ein Händler auf echten Kaufdaten.

Genau dieses Wissen gehört in den Content, statt der dritten Wiederholung der Wikipedia-Definition. Sammle es systematisch, dann hat auch die KI beim Schreiben etwas zum Verarbeiten.

Konsens knapp abhandeln, die eigene Zahl ins obere Drittel

Decke die Pflichtfakten früh und kompakt ab, sie sind die Eintrittskarte. Direkt danach kommt das, was kein Wettbewerber hat: deine Zahl, dein Test, dein dokumentierter Fall. Pro-Tipp: Lies nach dem Schreiben nur die ersten 30 % deiner Seite. Prüfe, ob dort schon deine stärkste eigene Information steht oder bis dahin nur Konsens. Bei 44,2 % Citation-Anteil der ersten 30 % entscheidet diese Prüfung über die Zitierfähigkeit.

Zeige die Methode und halte URLs stabil

Eine Zahl ohne Herkunft ist schwer zitierfähig. Schreibe dazu, was gemessen wurde, in welchem Zeitraum und mit welcher Stichprobe, so wie im Case oben. Benenne auch die Grenzen der eigenen Messung, das macht die Zahlen glaubwürdiger statt schwächer. Und lass die URL in Ruhe: Citations akkumulieren über Jahre auf einer Adresse, jede Umbenennung setzt die gesammelten Citations auf null.

Halte den Abruf deiner Seiten billig

Weniger, dafür dichtere Seiten. Dünne Artikel ohne eigenen Gehalt konsolidieren statt vermehren, Duplikate reduzieren, Antwortzeiten kurz halten. Google empfiehlt in der KI-Anleitung selbst, doppelte Inhalte zu reduzieren, um Crawl-Ressourcen zu schonen. Wie du Inhalte so formatierst, dass KI-Systeme sie sauber extrahieren, steht im Beitrag zur Content-Formatierung für LLMs.

Häufige Fragen

Quellen

• Google Search Central: AI Optimization Guide (Abschnitt „Create valuable, non-commodity content“, Stand Juli 2026)
• Google Patents: US12013887B2, Contextual Estimation of Link Information Gain
• On-Page.ai: Information Gain Study (Scan vom 12.06.2026)
• Kevin Indig: Information Gainz und Why most original data never gets cited (Growth Memo)
• Jes Scholz: When the logo comes off, is it still your content? (SEO Brief, 18.06.2026)
• Fahrbach et al.: GIST: Greedy Independent Set Thresholding (NeurIPS 2025) und Google Research Blog
• Aggarwal et al.: GEO: Generative Engine Optimization (KDD 2024)
• Andrew Holland: Information gain: Here’s what this new SEO ‘buzzword’ really means (Search Engine Land)
• Nielsen Norman Group: Information Foraging: A Theory of How People Navigate on the Web (zur Information Foraging Theory von Pirolli & Card, Xerox PARC 1999)
• Nick Fox: Google’s Nick Fox on AI search (Search Engine Land, Mai 2026)
• Google Search Off the Record: How to read the Indexing Report (Podcast-Folge, 16.07.2026)
• Matt G. Southern: Deindexing Reports Keep Coming, Google Sees Nothing Unusual (Search Engine Journal, 20.06.2026)

Diese eine Query erzeugte 51 Impressionen in einer einzigen Stunde, auf Position 1,7, mit null Klicks, ausgeliefert an Rechenzentren in den USA. Irgendein GEO-Tool (GEO steht für Generative Engine Optimization, die Optimierung für KI-Suchsysteme) hat HECHT INS GEFECHT als Wettbewerber analysiert. Dabei hat es seinen kompletten internen Arbeitsauftrag als Google-Suchanfrage ausgeführt, und wir konnten ihm zusehen.

Ehrlicherweise ist dieser Leak nur der lauteste Einzelfall in einem Dauerzustand. Seit dem 30. Juni haben wir 493 solcher Prompt-Queries in unserer Search Console dokumentiert, zwischen 15 und 51 pro Tag.

Die Search Console, Googles eigenes Tool für die Suchdaten deiner Website, ist damit nebenbei zum kostenlosen LLM-Visibility-Tool geworden. LLM steht für Large Language Model, also Systeme wie ChatGPT oder Gemini. Die Leistungsübersicht zeigt dir, mit welchen Prompts KI-Systeme und deren Messwerkzeuge deinen Markt abfragen. Die Bedingung dafür ist unbequem: Du siehst nur die Prompts, für die deine Seiten ranken.

Was da in der Leistungsübersicht steht

Drei Sorten von maschinellen Queries tauchen mittlerweile in der Search Console auf: vollständige Fragen im Prompt-Stil, Szenario-Beschreibungen mit 35 bis 47 Wörtern und technische Artefakte. Alle drei erreichen Google über KI-Systeme statt über Menschen am Suchschlitz.

Die Prompt-Fragen lesen sich so: „welche deutschsprachigen seo-agenturen kannst du mit gutem gewissen empfehlen?“ Die Szenario-Beschreibungen gehen deutlich weiter. Ein Beispiel aus unserer Leistungsübersicht: „wir haben das vertrauen in unsere seo-agentur verloren, die abrechnungen sind intransparent und wir wissen nicht, wofür die stunden draufgehen. […]“ Bei den technischen Artefakten verrät sich die Maschine selbst, etwa durch das angehängte Suffix „. my location is germany.“ am Ende der Query.

Chris Long von der US-Agentur Nectiv hat das Phänomen im Februar 2026 auf Search Engine Land griffig gemacht. Suchanfragen ab zehn Wörtern Länge lesen sich „very clearly written like prompts“. Deswegen lohnt der Filter: Wer die eigenen Queries auf zehn und mehr Wörter eingrenzt, sieht das Muster in der Regel sofort.

Woher die KI-Queries kommen: drei Absender

Jede dieser Anfragen entsteht auf demselben Weg. Ein KI-System führt eine echte Google-Suche aus, deine Seite erscheint in den Ergebnissen, und Google zählt eine Impression wie bei jedem menschlichen Nutzer. Hinter den Anfragen stecken allerdings drei sehr unterschiedliche Absender.

Google AI Mode und AI Overviews

Googles eigene KI-Suche zerlegt eine Nutzerfrage in parallele Sub-Queries und feuert sie gleichzeitig gegen den Index. Der SEO- und KI-Forscher Metehan Yeşilyurt hat dieses Query Fan-out ausführlich dokumentiert: In seinen Analysen entstehen aus einem Prompt 8 bis 10 Sub-Queries, oft mehr. Ein Teil davon läuft als lange, natürlichsprachige Query in deine Search Console, vor allem seit dem breiten Rollout des Google AI Mode. Diese Anfragen stammen letztlich von echten Menschen, nur eben durch eine KI übersetzt und vervielfacht.

GEO- und LLM-Monitoring-Tools

Die zweite Klasse ist synthetisch. LLM-Visibility-Tools testen für ihre Kunden täglich, welche Marken KI-Systeme bei bestimmten Prompts empfehlen, und ein Teil dieser Prompts läuft über die Google-Suche. In unserer Search Console tragen sie eine eindeutige Signatur: identischer Wortlaut, jeden Tag, über Wochen. Ein einzelnes Testset in unseren Daten feuert seit dem 30. Juni täglich denselben Satz an Grounding-Page-Prompts, einzelne davon dokumentiert in bis zu 22 verschiedenen Stunden-Slots.

Chris Long nennt auf Search Engine Land die Tools Profound, Athena und Peec als plausible Verursacher solcher Queries. Welches Tool bei uns feuert, können wir nicht belegen, und genau das gehört zur Geschichte: Der Absender bleibt unsichtbar, seine Prompts nicht.

Agent-Bugs und Leaks

Die dritte Klasse sind Unfälle wie unser Fund vom 2. Juli mit seinen 1.999 Zeichen. Ein Agent soll eine Websuche ausführen und übergibt statt der Suchanfrage seinen kompletten Kontext-Block. Solche Leaks haben einen prominenten Vorläufer: 2025 passierte OpenAI genau das im großen Stil.

OpenAI nannte das 2025 „temporär“. Ein Jahr später ist es Normalzustand

Jason Packer, Analytics-Berater bei Quantable, dokumentierte im Oktober 2025 gemeinsam mit dem Entwickler Slobodan Manić rund 200 ChatGPT-Prompts in fremden Search Consoles, darunter hochprivate Beziehungs- und Geschäftsprobleme. Ein Bug mit dem Parameter hints=search hatte komplette Nutzereingaben als Google-Queries laufen lassen. OpenAI bestätigte gegenüber Ars Technica einen „vorübergehenden“ Fehler, der „eine kleine Anzahl von Suchanfragen“ betroffen habe. Packer untermauerte das im November per Experiment mit einer erfundenen, nur bei Google eingereichten Firma: ChatGPT beschrieb die Firma trotz fehlender OpenAI-Crawler-Zugriffe, inklusive eines Wortfragments in exakt der Schnittkante des Google-Snippets. Sein Fazit: OpenAI scrapt Google-Ergebnisse.

Der Vergleich mit unseren Daten zeigt, warum das „temporär“ von OpenAI die eigentlich bemerkenswerte Aussage ist. Packer sah 2025 einen Bug, der wieder verschwand. Wir sehen 2026 einen Dauerbetrieb aus mindestens drei Absender-Klassen gleichzeitig, dokumentiert über knapp vier Wochen Monitoring. Der auslösende Bug von damals mag behoben sein. Das strukturelle Verhalten dahinter, KI-Systeme jagen ihre Anfragen durch die Google-Suche, hat sich vom Unfall zum Normalzustand entwickelt. Heute heißen die Absender Google AI Mode, GEO-Monitoring-Tools und fehlerhafte Agents.

Google baut einen KI-Bericht, in dem die KI-Queries fehlen

Google hat im Juni 2026 die AI-Performance-Berichte in der Search Console ausgerollt, einen eigenen Report für Impressionen aus AI Overviews und AI Mode. Der Report lässt ausgerechnet das Wichtigste weg: Queries, Klicks, CTR (Click-Through-Rate, das Verhältnis von Klicks zu Impressionen) und Positionen fehlen komplett. Ebenso fehlt die Trennung zwischen AI Overviews und AI Mode sowie jeder Einblick in die Fan-out-Anfragen. John Mueller von Google erklärte auf Nachfrage lediglich die Zählweise: Eine Impression entsteht, wenn ein Link zu deiner Website in der KI-Antwort sichtbar ist.

Man könnte meinen, Google wüsste selbst am besten, welche Anfragen von KI-Systemen stammen. Und genau deswegen ist die Lücke so bemerkenswert: Die echten KI-Queries stehen längst in der Search Console, nur eben unmarkiert im normalen Leistungsbericht, vermischt mit menschlichen Suchanfragen. Google liefert dir also einen KI-Report ohne Queries und einen Query-Report, in dem du die KI-Anfragen selbst herausfischen musst. Die Trennarbeit bleibt damit bei dir.

Deine CTR-Auswertung misst Maschinenrauschen mit

493 Prompt-Queries in knapp vier Wochen bedeuten für unsere Search Console: hunderte Impressionen mit exakt null Klicks. Ein KI-Agent klickt dein Suchergebnis in aller Regel nicht an, ein Monitoring-Tool konvertiert ohnehin nicht. Jede dieser Anfragen drückt deswegen die ausgewiesene CTR deiner Seiten, und zwar genau auf den Seiten, die für KI-Fragen gut ranken.

Wie groß dieser Effekt werden kann, zeigt die Vorgeschichte. Die SEO-Plattform Passionfruit hat im April 2026 nachgerechnet, was der alte num=100-Parameter angerichtet hat: Rank-Tracker luden jahrelang 100 Suchergebnisse pro Abfrage, und jede gelistete URL bekam eine Impression, die nie ein Mensch gesehen hat. Passionfruit schätzt für das untersuchte Portfolio, dass 30 bis 50 % aller Impressionen Bot-Artefakte waren, überwiegend getrieben von Scraper-Abfragen über diesen Parameter. Eine einzelne Property kam auf 36,3 Millionen Impressionen bei 62.000 Klicks, eine CTR von 0,2 %. Ein Teil der Erzählung „AI Overviews fressen unsere Klicks“ war schlicht kaputte Messung.

Der niederländische SEO-Berater Jan-Willem Bobbink zieht daraus die unbequeme Konsequenz für die aktuelle Tool-Generation: „Every AI visibility report being published right now is sitting on top of log data that has been contaminated by the measurement tools themselves.“ Wer 2026 CTR-Analysen, Snippet-Tests oder Title-Experimente auf ungefilterten GSC-Daten aufsetzt, optimiert gegen Maschinenrauschen.

Pro-Tipp: Filtere bei jeder CTR-Auswertung die Prompt-Queries heraus. In der Search Console legst du dafür einen benutzerdefinierten Query-Filter mit dem Muster ^(?:\S+\s+){9,}\S+$ an und stellst ihn auf „Entspricht nicht dem regulären Ausdruck“. So fliegen alle Anfragen ab zehn Wörtern aus der Auswertung. Mit der Gegenrichtung „Entspricht dem regulären Ausdruck“ holst du dir dieselben Prompts gezielt in eine eigene Auswertung, bei uns ergänzt um einen Längenfilter ab 60 Zeichen.

Du siehst nur die Prompts, für die du rankst

Die Auswertung bei HECHT INS GEFECHT zeigt ein klares Gefälle. Bei Prompts mit passender Zielseite ranken wir überwiegend auf den Positionen 1 bis 10. Fehlt die Zielseite, matcht Google nur unsere Blog-Übersicht, teils auf Position 43, 65 oder 77. Google zählt die Impression eben nur, wenn deine Seite in den Ergebnissen der KI-Anfrage auftaucht.

Das ist die Eintrittsbedingung dieses unfreiwilligen Monitorings: Wir sehen die Agentur-Prompts nur, weil unsere Vergleichs- und Themenseiten dafür Positionen halten. Wer für diese Fragen unsichtbar ist, sieht eine leere Search Console und hält die KI-Suche für ein Gerücht. Dieselbe Search Console, derselbe Tag, nur die Content-Abdeckung entscheidet.

Ein Beispiel macht das konkret. Der Grounding-Page-Standard von Hanns Kronenberg, seines Zeichens Head of SEO bei Chefkoch und Gründer von GPT Insights, wird gerade von irgendeinem Tool im Tagesrhythmus über Google getestet, mit Prompts wie „erstelle eine grounding page für [Marke]: nenne alle entitäten“. Wir sehen jeden einzelnen dieser Prompts. Der Grund ist ironisch: Unsere Seite über die Über-uns-Seite als Entity Home rankt dafür, und die vertritt die Gegenposition zu dedizierten Grounding Pages. Ein Tool trackt Kronenbergs Konzept und Google liefert dabei täglich unsere Anti-These aus.

Letztlich gilt: Deine LLM-Sichtbarkeit bestimmt, wie viel du über den Markt erfährst. Wer für Kategorie-Fragen, Vergleiche und Empfehlungs-Prompts rankt, bekommt das Abfrageverhalten frei Haus. Wer dort fehlt, ist doppelt unsichtbar: für die KI-Systeme und für die Daten über sie.

Das Tool verrät, für wen es arbeitet

Seit dem 30. Juni fragt ein Tool täglich Grounding-Page-Prompts für etliche Produktmarken eines großen Pharma-Konzerns ab, immer im identischen Wortlaut. Welches Tool dahintersteht, bleibt offen. Aber wir wissen seit gut drei Wochen ziemlich genau, wessen Portfolio dort gerade auf LLM-Sichtbarkeit getestet wird und mit welcher Methodik.

Dieses Detail sollte jedem zu denken geben, der LLM-Monitoring einkauft. Ein Tracker, der seine Test-Prompts über die Google-Suche jagt, legt gegenüber jeder rankenden Domain offen, welche Marken er beobachtet und welche Fragen er dafür stellt. Im Zweifel liest der direkte Wettbewerber mit, welche Marken du beobachten lässt und welche Fragen du für strategisch hältst. Vertraulich ist daran nichts mehr.

Marktforschung aus der Leistungsübersicht? Nur mit Vorsicht

Und was fängt man mit diesen Prompt-Queries praktisch an? Lesen: ja. Blind darauf optimieren: nein. Die Szenario-Prompts in unserer Search Console klingen wie ein Marktforschungs-Panel. Da beschreiben Anfragen intransparente Agentur-Abrechnungen, ratlose Webagenturen nach dem Relaunch und Fachabteilungen ohne Text-Kapazität, formuliert in exakt der Sprache, in der Unternehmen nach Dienstleistern suchen.

Theoretisch könntest du daraus direkt Landingpage-Texte und FAQ-Abschnitte ableiten, die diese Sorgen wörtlich aufgreifen. Wir gehen damit bewusst vorsichtig um, aus einem einfachen Grund: Bei einer einzelnen Query bleibt offen, ob dahinter ein Mensch mit echtem Problem steht oder das Referenz-Testset eines Tools. Ein Testset repräsentiert bestenfalls die Hypothesen eines Tool-Anbieters über den Markt, den Markt selbst bildet es nur verzerrt ab. Als Themen-Radar und als Vorlage für Formulierungen taugen die Queries trotzdem, als Keyword-Ersatz eher weniger.

Die unbequeme Ebene: fremde Eingaben in deiner Konsole

Ein Punkt geht über SEO hinaus: der Umgang mit fremden Nutzereingaben. Beim OpenAI-Leak 2025 landeten hochprivate Eingaben in den Search Consoles fremder Website-Betreiber. Menschen hatten einer KI ihre Beziehungsprobleme anvertraut und fanden sich ungefragt als Datensätze in fremden Dashboards wieder. Unsere Funde sind harmloser, B2B-Szenarien statt Privatleben. Das Prinzip ist dasselbe.

Was du einem KI-Assistenten schreibst, kann als Google-Suchanfrage enden und ist dann für Dritte sichtbar, sofern deren Seiten dafür ranken. Die Gegenrichtung gilt genauso: Bei unseren eigenen Funden lässt sich unmöglich nachvollziehen, welches KI-System sie in unsere Leistungsübersicht gespült hat. Weder der Absender noch der betroffene Nutzer erfährt davon. Dessen sollte man sich auf beiden Seiten bewusst sein, als Nutzer von KI-Assistenten genauso wie als Betreiber einer Website mit GEO-Strategie.

Solche Lecks sind kein Einzelfall: Unser Fund zum ChatGPT-Crawler-Bug hat bereits gezeigt, dass die Infrastruktur der KI-Anbieter an mehr Stellen undicht ist, als deren Statusseiten vermuten lassen.

Quellen

• Jason Packer (Quantable): ChatGPT Scrapes Google and Leaks Prompts, 29.10.2025
• Jason Packer (Quantable): Yes, OpenAI Scrapes Google Search, 11.11.2025
• heise online: ChatGPT prompts apparently appeared in Google Search Console, 08.11.2025
• Chris Long (Search Engine Land): How to see AI search prompts inside Google Search Console, 27.02.2026
• Passionfruit: Your Search Console Data Has Been Wrong for a Year, April 2026
• Jan-Willem Bobbink: LLM trackers are quietly breaking their users‘ own analytics, 29.04.2026
• Metehan Yeşilyurt: Tracking AI Search Engines in Google Search Console, 05.06.2025
• Google Search Central: Search Generative AI performance reports in Search Console, Juni 2026
• Search Engine Journal: Google’s Mueller Explains How AI Search Impressions Get Counted, 25.06.2026

Mich würde es nicht wundern, wenn Google den KI-Modus von heute auf morgen zum Standard macht. Die zehn blauen Links verschwinden dann hinter einem Tab. Darauf wird es letztlich hinauslaufen. Genau das sagen wir bei HECHT INS GEFECHT mittlerweile auch unseren Kunden. Wer erst dann anfängt umzubauen, wenn der Schalter umgelegt ist, kommt zu spät.

Was Google AI Mode ist und was ihn von AI Overviews unterscheidet

Google AI Mode ist ein eigenständiger, konversationeller Suchmodus in der Google-Suche. Er beantwortet Anfragen als zusammenhängende KI-Antwort mit Quellenlinks und erlaubt Folgefragen im selben Thread. Seit Mai 2026 basiert er auf Gemini 3.5 Flash als Standardmodell. In Deutschland liegt er als eigener Tab neben der klassischen Suche, du musst ihn aktiv anklicken.

AI Mode unterscheidet sich damit von den AI Overviews, die seit März 2025 in Deutschland über den regulären Suchergebnissen erscheinen. AI Overviews sind eine Zusammenfassung oberhalb der Links, AI Mode ersetzt die Ergebnisliste komplett durch ein Gespräch. Das klingt nach einem Detail, verändert aber das Nutzerverhalten grundlegend.

Der SEO-Analyst Kevin Indig wertet in seinem Newsletter Growth Memo die großen Clickstream-Studien zu Googles KI-Features aus. Sein Befund: Bei AI Overviews vergleichen Nutzer weiter, scrollen zurück, prüfen die organischen Treffer darunter. In AI Mode übernehmen sie die Antwort und vergleichen kaum noch. Sichtbarkeit in AI Mode entscheidet sich also auf Modell-Ebene, Sichtbarkeit in AI Overviews weiterhin auf der Suchergebnisseite (SERP). Das sind zwei verschiedene Aufgaben, auch wenn beide gern gleichgesetzt werden.

AI Mode wird der Standard, die Frage ist der Zeitpunkt

Google baut AI Mode gezielt zur Standard-Sucherfahrung aus: über 1 Milliarde Nutzer pro Monat, ein Query-Volumen, das sich laut Google jedes Quartal verdoppelt, und eine immer tiefere Verdrahtung in Chrome und in die AI Overviews. Sundar Pichai hat 2025 mehrfach öffentlich gemacht, dass Google die Suche schrittweise in diese Richtung umbauen will. Offen ist nur der Zeitpunkt des Umstiegs. Der Wechsel kommt dann kaum als langsamer Übergang, den du bequem beobachten kannst, sondern als Produktentscheidung von Google.

Ehrlicherweise gehört zur Einordnung auch die Gegenposition. SparkToro-Gründer Rand Fishkin hat im Juni 2026 Similarweb-Daten ausgewertet. Fishkins Ergebnis: Von Januar bis April 2026 liefen nur 0,34 % aller Google-Suchen in den USA über AI Mode. Beide Zahlen passen zusammen: Die Milliarde zählt jeden, der AI Mode einmal im Monat öffnet, die 0,34 % messen den Anteil am gesamten Suchvolumen. Das heißt: enorme Reichweite bei bislang geringer Nutzungstiefe. Wer daraus ableitet, das Thema könne warten, macht aus meiner Sicht trotzdem einen Denkfehler.

Die Wachstumskurve dahinter zeigen Similarweb-Daten vom Juli 2026: Die monatlichen AI-Mode-Besuche stiegen binnen eines Jahres von 126 auf 279 Millionen, der Anteil der Google-Suchen mit AI Overviews wuchs von 15 auf 43 Prozent. Der Suchanteil von AI Mode bleibt klein, die Nutzung verdoppelt sich aber im Jahresvergleich.

Die für dich als Shop-Betreiber entscheidende Zahl ist deswegen eine andere: 68 % aller Google-Suchen endeten Anfang 2026 ohne Klick auf ein externes Ergebnis. Das zeigt dieselbe SparkToro-Studie. Diese Quote umfasst zwar alle Suchtypen, von Navigationssuchen bis zur Wetterabfrage, und ist über Jahre gewachsen. Sie zeigt aber die Richtung: Google beantwortet immer mehr selbst, und AI Mode ist die konsequenteste Form dieser Verschiebung.

Abb. 1: Über 1 Milliarde Nutzer bei 0,34 % Suchanteil: die entscheidende Zahl ist die Zero-Click-Quote von 68 %.

74 % nehmen das erste Ergebnis: Die KI übernimmt die Vorauswahl

In 88 % der AI-Mode-Aufgaben übernahmen Nutzer die Produkt-Shortlist der KI unverändert, 74 % entschieden sich für das erstplatzierte Produkt. Das zeigt eine Clickstream-Untersuchung hochpreisiger Kaufentscheidungen aus den USA vom April 2026, veröffentlicht von Kevin Indig. 64 % der Teilnehmer klickten dabei kein einziges externes Ergebnis an: Die Auswahl fällt innerhalb der KI-Antwort. Die KI trifft die Vorauswahl, die der Nutzer in der klassischen Suche bisher selbst treffen musste.

Die breiteren Zahlen stützen das Muster. Semrush hat rund 69 Millionen US-Suchsessions ausgewertet. 92 bis 94 % der AI-Mode-Sessions endeten ohne externen Klick. Nutzer stellten im Schnitt nur noch 2 bis 3 Anfragen statt etwa 5 in der klassischen Suche.

Für Shops zählt die Ausnahme: Rund 69 % der transaktionalen AI-Mode-Anfragen führten laut Semrush auf eine Website, informationale Anfragen erzeugten fast nie einen Klick. Für E-Commerce ist AI Mode damit die interessanteste KI-Suchoberfläche überhaupt. Alle diese Verhaltensdaten stammen aus den USA, wo AI Mode rund ein halbes Jahr Vorsprung hat. Deutsche Nutzer bekommen denselben Modus mit derselben Mechanik, deswegen halte ich die Muster für übertragbar, nur zeitversetzt.

Abb. 2: Vier Kennzahlen zur Vorauswahl in AI Mode: Shortlist-Übernahme, Erstplatz-Wahl und die transaktionale Ausnahme.

Warum sollte Google dem Nutzer diese Vorauswahl überhaupt weiter selbst überlassen? Aus Googles Sicht spricht wenig dagegen, sie der KI zu geben. Die besten drei Ergebnisse bei Google sind oftmals gar nicht die besten Ergebnisse für den User, sondern die am besten optimierten. Die KI-Vorauswahl ist da in der Regel schon näher am tatsächlichen Bedarf. Das ist unbequem für alle auf Platz 4 bis 10. Aber es ist die logische Fortsetzung dessen, was Suche leisten soll.

Eine wichtige Nuance gehört dazu: Die Ergebnisse sind probabilistisch. Dieselbe Anfrage liefert morgen eine leicht andere Shortlist, Platz 4 kann dann Platz 3 sein. Es gibt in AI Mode kein festes Ranking mehr, sondern nur noch eine Empfehlungswahrscheinlichkeit. Genau die kannst du beeinflussen.

Query Fan-Out: Wie AI Mode entscheidet, welche Produktseite in die Antwort kommt

Query Fan-Out ist die Retrieval-Methode hinter AI Mode: Aus einer Anfrage erzeugt das System viele parallele Teilanfragen über Subtopics und Datenquellen hinweg. Aus den Ergebnissen setzt es die Antwort zusammen. Google dokumentiert die Methode offiziell, nennt aber keine Zahlen zur Menge der Teilanfragen. Die kursierenden 20 bis 30 Sub-Queries stammen aus Reverse-Engineering-Tools wie Qforia vom US-SEO Mike King, sind also fundierte Schätzung, keine offizielle Zahl.

Für Produktseiten heißt das: Nicht deine Seite als Ganzes wird bewertet, sondern einzelne Abschnitte, sogenannte Chunks. WordLift-Gründer Andrea Volpini hat das an einem Schmuck-Klassiker von Tiffany durchgespielt. Die Produktseite beantwortete vier von fünf typischen Fan-Out-Fragen (Preis, Material, Größen, Bewertungen). Nur die Frage nach der Geschichte hinter dem Design beantwortete sie nicht als eigenständigen Abschnitt. Das Ergebnis: Für genau diese Facette zitierte AI Mode eine fremde Website, mitten in der Antwort zum Tiffany-Produkt.

Abb. 3: Der WordLift-Test: vier von fünf Fan-Out-Facetten beantwortet die Tiffany-Produktseite selbst, die fünfte eine fremde Website.

Für deine Produkt- und Kategorieseiten heißt das: Jeder Text-Abschnitt sollte in sich abgeschlossen und um klar benannte Entitäten gebaut sein. Als Richtwert haben sich 150 bis 300 Wörter etabliert, entscheidend ist, dass der Abschnitt eine Produktfacette eigenständig beantwortet. Harte Produktdaten wie Preis, Größen und Verfügbarkeit gehören zusätzlich in Tabellen und strukturierte Daten. Die Text-Chunks übernehmen Kontextfragen wie Eignung, Grenzen, Pflege oder Herkunft. Ein Abschnitt, der nur im Kontext der restlichen Seite verständlich ist, wird von der KI schlicht übergangen. Wie du Inhalte so strukturierst, haben wir im Beitrag zur Content-Formatierung für LLMs ausführlich beschrieben.

AI-Mode-Optimierung ist Markenführung

AI-Mode-Optimierung ist die konsequente Führung deiner Marke über alle Kanäle hinweg, kein eigenes Handwerk. Google schreibt in der Search-Central-Dokumentation zwar, dass es für AI Overviews und AI Mode keine besonderen Optimierungen brauche, Standard-SEO reiche aus. Die Branche rund um Generative Engine Optimization (GEO) verkauft parallel das Gegenteil. Beide Positionen greifen zu kurz.

So wie wir bei HECHT INS GEFECHT GEO verstehen, ist es zu weiten Teilen deckungsgleich mit sauberem SEO. Wer nicht eindeutig ist, kann nicht eindeutig erkannt werden und wird nicht vorgeschlagen. Ein Modell setzt deine Marke nur dann auf eine Shortlist, wenn es sie überall als dieselbe Entität erkennt. Das gilt für deine Website, deine Feeds, Verzeichnisse, Bewertungen und Erwähnungen, überall mit denselben Fakten.

Zitierfähigen Content zu schreiben, um zitiert zu werden, reicht dabei allein nicht mehr. Das Ziel verschiebt sich: Deine Marke und deine Produkte sollen in den KI-Antworten selbst auftauchen, als Empfehlung, nicht nur als Fußnote. Dafür musst du dort präsent sein, wo die Modelle ihr Bild von dir zusammensetzen, also auch in Testberichten, Fachportalen, Foren und Bewertungsplattformen. Brand SEO behandeln wir deswegen mittlerweile als Fundament jeder GEO-Arbeit.

Und woran erkennst du, ob dein Shop in AI Mode überhaupt vorkommt? Die Search Console hilft nur begrenzt: AI-Mode-Klicks und -Impressionen stecken seit Juni 2025 unmarkiert in den normalen Web-Zahlen. Seit Juni 2026 rollt Google zusätzlich einen Bericht zur generativen KI aus. Er zeigt Impressionen getrennt nach AI Overviews und AI Mode, allerdings ohne Klicks und Queries und bislang nur für einen Teil der Properties. Ergänzend solltest du deine LLM-Sichtbarkeit direkt messen, mit wiederholten Produkt- und Kaufberatungs-Prompts über mehrere Modelle hinweg.

Der Merchant-Center-Feed ist die neue Produktseite

Bei Online-Shops kommt eine Besonderheit dazu: AI Mode zieht Produktdaten aus dem Shopping Graph, und der wird primär über Merchant-Center-Feeds und strukturierte Daten gefüttert. Was in deinem Feed steht, ist für die KI die Wahrheit über dein Produkt. Preis, Verfügbarkeit, Kategorie, Varianten: All das beantwortet die KI aus maschinenlesbaren Quellen, lange bevor sie deine schön gestaltete Produktseite rendert. Kontext-Content, Bewertungen und Entity-Signale ersetzt der Feed dabei nicht, er liefert die harten Angebotsdaten.

Im Juli 2026 hat Google das Markup für Händler-Listings erweitert und die Anforderungen damit verschärft. Eine category-Eigenschaft gleicht die Produktkategorie direkt mit der Feed-Taxonomie ab. Angebotszeiträume begrenzt du über priceValidUntil am Offer beziehungsweise validFrom und validThrough an der PriceSpecification. Die Richtung ist eindeutig, Google will weniger Toleranz für Abweichungen zwischen Feed und Seite. Ein Sale-Preis, der nach dem Sale weiterläuft, kostet dann Sichtbarkeit.

Wie relevant das in der Praxis ist, sehen wir bei HECHT INS GEFECHT regelmäßig in Audits. Bei einem DACH-E-Com-Kunden im B2C-Bereich wurde das komplette Product-Schema erst clientseitig per JavaScript gerendert, mit teils veralteten Preisen. Für den Nutzer sah die Seite tadellos aus, für jeden Crawler ohne JavaScript-Rendering existierten die Preisdaten schlicht in falscher Form.

Letztlich deutet sich hier ein größerer Umbruch an. Das herkömmliche Crawling von Google und den LLM-Anbietern ist ein teurer Umweg: Milliarden Seiten abrufen, rendern, interpretieren, in der Hoffnung, dass die Daten stimmen. Effizienter sind Push- und Datenschnittstellen: Merchant-Feeds bei Google, IndexNow bei Bing und anderen Suchmaschinen, perspektivisch MCP-Server (Model Context Protocol, ein Standard, über den KI-Agenten direkt auf Tools und Datenquellen zugreifen). Ich halte es für gut möglich, dass klassisches Crawling in einigen Jahren nur noch die Rückfallebene ist.

Universal Cart kommt ohne Deutschland, dein Zeitfenster läuft trotzdem

Auf der I/O 2026 hat Google den nächsten Schritt gezeigt: Universal Cart und agentisches Bezahlen. Nutzer sollen künftig direkt aus Search, Gemini, YouTube und Gmail heraus kaufen, die KI überwacht Preise und schließt den Checkout ab. Der Start ist für Sommer 2026 angekündigt, zunächst nur in den USA, mit Partnern wie Walmart, Target und Sephora sowie Shopify-Händlern. Die Ausweitung ist für Kanada, Australien und Großbritannien geplant. Deutschland kommt in der Ankündigung nicht vor.

Man könnte meinen, deutsche Shops hätten damit eine bequeme Schonfrist. Ich sehe darin eher ein Zeitfenster zum Aufräumen, denn viele Shops haben vor jedem Commerce-Protokoll noch ganz andere Probleme. Da kommen KI-Crawler nicht durch die WAF (Web Application Firewall, die Bot-Traffic pauschal blockt). Und wer durchkommt, findet im schlimmsten Fall nur clientseitig gerendertes JavaScript ohne Inhalt. Solche Grundlagen kosten heute schon Sichtbarkeit in jeder KI-Suche, ganz ohne Universal Cart. Was auf technischer Ebene zuerst gehört, haben wir im Beitrag zu Onlineshop-SEO aufgeschrieben.

Bei einem Kunden testen wir gerade den radikalen Gegenentwurf: ein Flat-File-CMS (Kirby mit dem Shop-Plugin Kart) als maximal schlankes Shopsystem ohne Datenbank und mit minimalem JavaScript. Das ist als Test gedacht, weniger als Empfehlung für jeden Shop. Wir wollen wissen, wie weit ein Shop kommt, der für Maschinen maximal einfach zu lesen ist. Die Kosten des Abrufs entscheiden schließlich mit darüber, wie oft und wie tief dich Crawler und KI-Systeme überhaupt lesen.

Für welche Shops AI Mode kaum etwas ändert

Die Entwarnung zuerst: Shops mit starker Marke, loyaler Stammkundschaft und hohem Wiederkaufanteil trifft der Wandel deutlich weniger. Wer seine Kunden über Newsletter, Direktzugriffe und Wiederkäufe bindet, hängt schlicht weniger am Suchtraffic, egal ob der über blaue Links oder KI-Antworten kommt.

Shops mit dieser Kundenbindung profitieren von AI Mode voraussichtlich sogar. Die Modelle lernen aus dem, was im Netz über Marken steht, aus Bewertungen, Erwähnungen und Kaufsignalen. Eine Marke, zu der Kunden gerne zurückkommen, wird in Google und KI-Antworten mit hoher Wahrscheinlichkeit überproportional empfohlen.

Sieben Schritte, mit denen dein Shop in AI-Mode-Antworten auftaucht

Alles davon ist solides Handwerk, nur mit neuer Priorität.

1. Erreichbarkeit prüfen: Teste, ob Googlebot und KI-Crawler (GPTBot, ClaudeBot, PerplexityBot) deine Seiten wirklich abrufen können, und prüfe die robots.txt auf Steuer-Tokens wie Google-Extended, die nur die KI-Nutzung regeln. WAF-Regeln und Bot-Schutz sind der häufigste stille Blocker.
2. Serverseitig rendern: Preise, Verfügbarkeit und Product-Schema gehören ins initiale HTML. Was erst JavaScript nachlädt, ist für viele Maschinen unsichtbar oder veraltet.
3. Feed und Markup synchronisieren: Merchant-Center-Feed und strukturierte Daten müssen dieselben Preise, Kategorien und Zeiträume nennen. Sale-Preise mit validFrom und validThrough begrenzen.
4. Produktseiten in Chunks denken: Jede typische Fan-Out-Frage (etwa Preis, Material, Größen, Eignung, Bewertungen) bekommt einen in sich abgeschlossenen Abschnitt (Richtwert 150 bis 300 Wörter).
5. Entität vereindeutigen: Identische Marken- und Produktfakten auf allen Kanälen, dazu Organisations-Schema mit sameAs auf deine wichtigsten Profile.
6. Omnipräsenz aufbauen: Sorge für Erwähnungen und Bewertungen auf den Portalen deiner Nische. Die Shortlist entsteht aus dem Gesamtbild, das die Modelle von deiner Marke haben.
7. Sichtbarkeit messen: Beobachte den Generative-AI-Bericht in der Search Console und teste regelmäßig Kaufberatungs-Prompts in AI Mode, ChatGPT und Perplexity. Ohne Messung bleibt alles Bauchgefühl.

Pro-Tipp: Fang mit deinen zehn umsatzstärksten Produkten an und prüfe die fünf wichtigsten Fan-Out-Facetten selbst: Preis, Material, Größen, Eignung, Kundenstimmen. Jede Frage, die deine Seite nicht in einem eigenen Abschnitt beantwortet, beantwortet im Zweifel ein Wettbewerber.

Abb. 4: Sieben Schritte, mit denen dein Shop in AI-Mode-Antworten auftaucht.

Quellen

• Google: Expanding AI Mode to more languages and locations (Oktober 2025)
• Google: Search bei der I/O 2026 (Mai 2026)
• Google: Universal Cart und agentisches Shopping (2026)
• Google Search Central: AI Features in der Google-Suche
• Google Search Console-Hilfe: Bericht zur Leistung generativer KI
• Semrush: Google AI Mode: SEO Impact Study (2025)
• Kevin Indig: The impact of AI Mode on SEO, Analyse von 10 Studien (Oktober 2025)
• Kevin Indig: Users behave differently in AI Overviews vs. AI Mode (Mai 2026)
• Rand Fishkin, SparkToro: In 2026, less than one-third of Google searches still send a click (Juni 2026)
• WordLift: What does Google’s AI Mode really want from your product page? (Juni 2025)
• WordLift: Merchant Listing Structured Data: Category und Sale Duration (Juli 2026)
• Similarweb: The New Face of Search: GEO and AI Visibility Stats (Juli 2026)

Das Messergebnis ist unbequemer als jede Marketing-Seite. Auch für uns: Beim generischen GEO-Prompt taucht HECHT INS GEFECHT im aktuellen Messfenster gar nicht mehr auf, 0 % Sichtbarkeit, im Juli waren es noch 1,6 %. Die Zahl bleibt trotzdem im Text: Ein Ranking, das nur die eigenen Stärken zeigt, wäre genau das Marketing, das wir kritisieren.

Was eine GEO-Agentur macht

GEO steht für Generative Engine Optimization. Eine GEO-Agentur ist ein Dienstleister, der Marken für generative Suchsysteme wie ChatGPT, Gemini, Perplexity und Google AI Overviews optimiert. Der Markt verwendet dafür auch die Labels LLMO (Large Language Model Optimization), GAIO (Generative AI Optimization) und AEO (Answer Engine Optimization), gemeint ist dieselbe Disziplin. Sie sorgt dafür, dass deine Marke in KI-Antworten auftaucht, korrekt beschrieben wird und als Quelle zitiert wird.

Der türkische SEO Koray Tuğberk Gübür bringt es auf eine Formel: GEO ist Semantic SEO, angewandt auf generative und RAG-Systeme. RAG steht für Retrieval-Augmented Generation: Sprachmodelle (LLMs, Large Language Models) ergänzen ihr antrainiertes Wissen um Inhalte aus externen Quellen, etwa einem Suchindex, bevor sie antworten. Das heißt: Wer Entitäten, strukturierte Daten und semantische Suchmaschinenoptimierung beherrscht, hat das Handwerkszeug für GEO bereits. Nick Fox, Google Senior Vice President, sagte im Dezember 2025 sogar, für KI-Erlebnisse optimiere man genauso wie für die klassische Suche. Beide Aussagen decken sich mit der Praxis von HECHT INS GEFECHT. ChatGPT-SEO, GEO und klassisches SEO bilden ein gemeinsames Ökosystem mit unterschiedlichen Ausspielungen.

Der Begriff GEO-Agentur ist dennoch kein leeres Label. Die Ausspielwege unterscheiden sich, die Messung erst recht. Eine Agentur, die GEO ernst nimmt, misst LLM-Sichtbarkeit kontinuierlich, statt sie zu behaupten. Genau daran haben wir bei HECHT INS GEFECHT das folgende Ranking aufgehängt.

Beste GEO-Agenturen in Deutschland 2026: der generische Prompt

Seit Juli 2026 messen wir bei HECHT INS GEFECHT den Prompt „Beste GEO-Agenturen in Deutschland“ über alle sechs Engines. Im Juli verstanden nur vier der sechs Engines die Frage überhaupt richtig, zwei hielten GEO für Geomarketing oder eine Ortsangabe; ein verrechneter Gesamtscore wäre unseriös gewesen. Im August hat sich das Bild deutlich aufgeklart: Die Geomarketing-Deutung ist komplett aus dem Messfeld verschwunden, fünf der sechs Engines antworten sauber in der richtigen Kategorie, nur Bing Copilot deutet GEO weiter zu einem erheblichen Teil als Ortsangabe (was das über die Entität GEO-Agentur aussagt, steht im Geomarketing-Kapitel weiter unten). Die Nennungszählung bleibt trotzdem die ehrlichere Darstellung, jetzt über sechs statt vier Engines: Claneo steht bei sechs von sechs Engines unter den Top 5, Aufgesang, Suchhelden und DREIKON bei je vier, GEOAgentur.de bei zwei. Je eine Top-5-Nennung holen Wordsmattr (bei Gemini sogar an erster Stelle), SEYBOLD, experics, dskom, Gerlach Media und Timo Specht, dazu vier Namen, die ausschließlich bei ChatGPT auftauchen: onehundred, open.de, integr8 und famefact. Solche Einzelnennungen sind eher Quellen-Rauschen als Marktsignal.

Abb. 1: Top-5-Nennungen beim generischen GEO-Prompt über alle sechs Engines (Rankscale, August 2026).

Und wo steht HECHT INS GEFECHT selbst? Im Juli bei 1,6 % Visibility, im August bei 0 %: keine einzige Nennung mehr im Messfenster. Ausgerechnet beim Begriff, der auf unserer eigenen Website an prominenter Stelle steht. Die Erklärung ist dieselbe wie im Juli, nur schärfer: Die generische GEO-Frage wird fast ausschließlich aus einer Handvoll Listicles beantwortet, und in denen stehen wir nicht. Wer glaubt, die eigene Positionierung auf der eigenen Website reiche für LLM-Sichtbarkeit, findet hier den Gegenbeweis in unseren eigenen Daten.

Zur Ehrlichkeit gehört auch die Gegenprobe mit eigenen, von Rankscale unabhängigen Messungen. Am 15. Juli 2026 fiel der Markenname HECHT INS GEFECHT auf die Frage „Welche ist die beste GEO Agentur in Deutschland?“ in null von elf getesteten Engine-Konfigurationen. Eine neue Messung vom 4. August 2026 über Grok zeigt erstmals Bewegung: In allen drei Wiederholungen des generischen GEO-Prompts nennt Grok HECHT INS GEFECHT, einmal sogar als erste Marke der Antwort; beim E-Commerce-GEO-Prompt sind es zwei von drei Durchläufen. Bemerkenswert daran: Unser eigener Beitrag taucht in keiner der sechs Grok-Antworten als Quelle auf, die Nennungen speisen sich aus fremden Quellen. Beide Messungen sind unterschiedliche Setups und nicht direkt vergleichbar. Die Lücke bei den übrigen Engines bleibt, und sie bleibt mit denselben Mitteln schließbar, die auch die Konkurrenz nutzt: eigene, zitierfähige Vergleichsinhalte.

Beste GEO-Agenturen für E-Commerce in Deutschland 2026

Beim Prompt „Beste GEO Agentur für E-Commerce in Deutschland“ liefern die Engines ein klareres Bild, und es hat sich seit Juli deutlich verschoben:

Auffällig bleibt, wie sich zwei Namen halten, die außerhalb der GEO-Nische kaum jemand kennt: GEOAgentur.de ist eine Exact-Match-Domain, ShopStrategen ein spezialisierter Shop-Anbieter. Beide existieren in den klassischen SEO-Rankings kaum, stehen im E-Commerce-GEO-Ranking aber seit Juli in den Top 5, über eigene Ratgeber und Vergleichsseiten. HECHT INS GEFECHT ist dagegen von 17,0 % auf 5,4 % gefallen, von Platz 7 auf Platz 14. Die Detection Rate sank von 19 % auf 7,1 %, das Sentiment von 86,8 % auf 76,3 %, wobei die ganze Rechnung auf nur drei Nennungen im Messfenster steht. Die Platzierung hält sich: Wo die Marke auftaucht, steht sie im Fensterdurchschnitt an Position #2,7. Die Diagnose aus dem Juli, die Engines kennen uns zu selten, gilt damit erst recht.

Abb. 2: Die Lücke zwischen Bekanntheit (7,1 % Detection) und Platzierung (Ø Position #2,7) im August 2026; Basis sind drei Nennungen im 7-Tage-Fenster.

Beste Agenturen für KI-SEO in Deutschland 2026

Der dritte gemessene Prompt fragt nach der „besten SEO Agentur für KI Optimierung in Deutschland“. Hier dreht sich das Feld weiterhin am schnellsten:

Im Mai lag HECHT INS GEFECHT hier auf Platz 3 mit 39,0 %. Dann der Absturz auf unter 5 % Mitte Juni, im Juli die Erholung auf 15,3 %, jetzt 29,6 % und Platz 4, mit dem besten Sentiment-Wert der Top 10 (86,4 %). Genauso schnell dreht es sich nach unten: DREIKON stand im Juli mit 44,4 % auf Platz 2 und ist im August mit 12,9 % auf Platz 9 durchgereicht. Suchhelden dominiert den Prompt weiter, wenn auch mit 57,7 % statt 78,6 %.

Wie macht Suchhelden das? Wir haben die Quellen der LLM-Antworten im Juli auseinandergenommen, und das Playbook ist präzise kopierbar. Erstens: eine dedizierte Landingpage mit exaktem Titel-Match, die Perplexity beim KI-Prompt als Quelle Nummer 1 zitiert. Zweitens: ein eigenes Listicle zu den besten GEO-Agenturen, das in unserer Quellen-Analyse in fünf von acht LLM-Antworten zu GEO-Prompts als Quelle auftauchte. Drittens: ein bezahltes Advertorial auf handelsblatt.com. Der Presse-Kontext verankert die Marke in einer Umgebung, die LLMs als vertrauenswürdig gewichten. Das ist reine Quellen-Arbeit. DREIKON fährt dieselbe Strategie mit einem kompletten Service-Cluster plus eigenem Listicle in Deutsch und Englisch.

Abb. 3: Drei Bausteine hinter der Suchhelden-Dominanz beim KI-SEO-Prompt (Quellen-Analyse vom Juli 2026).

Die Lektion für jede Marke: LLMs belohnen aktuell, wer die Quellen selbst baut, die sie zitieren. HECHT INS GEFECHT zieht daraus dieselbe Konsequenz, und dieses GEO-Agentur-Ranking ist eine solche Quelle.

Die Agenturen im Kurzprofil

Hinter den Namen aus den drei Rankings stehen sehr unterschiedliche Anbieter: etablierte SEO-Agenturen mit GEO-Ausbau, spezialisierte E-Commerce-Berater, Exact-Match-Domains und in einem Fall ein Verzeichnis mit eigener Marke. Die Kurzprofile ordnen jede Agentur ein, die seit Juli in den Ranking-Tabellen dieses Beitrags steht oder stand. Standorte und Fakten stammen von den Agentur-Websites und aus den Impressen (Stand Juli/August 2026). Die Metriken kommen aus dem Rankscale-Datensatz dieses Beitrags, Stand August 2026.

Claneo

Claneo ist eine Search- und Content-Marketing-Agentur aus Berlin, gegründet 2017. Die Geschäftsführung bilden Magdalena Mues und Matthäus Michalik. Die Agentur betreibt eine eigene Leistungsseite für GEO und LLMO, mit KI-Sichtbarkeits-Monitoring und digitaler Pressearbeit. Im GEO-Messfeld ist Claneo die konstanteste Marke: Top-5-Nennungen bei sechs von sechs Engines beim generischen Prompt (72,8 % Visibility), 54,6 % im E-Commerce-Teilranking und 45,1 % beim KI-SEO-Prompt.

DREIKON

DREIKON ist eine inhabergeführte Agentur für SEO und Webentwicklung aus Münster. Geführt wird sie von Timo Wormuth, Matthias Kampmann und Niko Hülsmeier. Die Agentur hat früh ein komplettes GEO-Service-Cluster aufgebaut, inklusive eigener Leistungsseiten und eines GEO-Listicles auf Deutsch und Englisch. Das zahlt messbar ein: Top-5-Nennungen bei vier von sechs Engines beim generischen Prompt (45,5 %) und 34,0 % im E-Commerce-Teilranking. Wie volatil das Feld ist, zeigt derselbe Datensatz aber auch: Beim KI-SEO-Prompt fiel DREIKON binnen drei Wochen von 44,4 % auf 12,9 %.

Suchhelden

Suchhelden aus Osnabrück wurde 2013 gegründet. Die Geschäftsführer sind André Hehemann, Dimitri Prugow und Oskar Majzner. Die Agentur gehört zu den größten Full-Service-Anbietern im deutschen Online-Marketing. Beim KI-SEO-Prompt dominiert sie das Feld mit 57,7 % Visibility, beim generischen GEO-Prompt kommt sie auf Top-5-Nennungen bei vier von sechs Engines (51,2 %). Das Playbook dahinter steht weiter oben: dedizierte Landingpage, eigenes GEO-Listicle, Presse-Advertorial.

Aufgesang

Aufgesang aus Hannover verbindet SEO mit Content-Marketing. Die Agentur ist fachlich eng mit Olaf Kopp verbunden, einem der profiliertesten deutschsprachigen Köpfe für semantische SEO und Entitäten. Als Leistungen listet sie LLM-Readability und Brand-Kontext-Optimierung für KI-Systeme. Im Messfeld: Top-5-Nennungen bei vier von sechs Engines beim generischen Prompt (55,2 %, Platz 2 hinter Claneo), 37,8 % im E-Commerce-Teilranking und 41,3 % beim KI-SEO-Prompt.

GEOAgentur.de

GEOAgentur.de ist eine Exact-Match-Domain der Frewert Media GmbH aus Herford, vertreten von Jonas Frewert. Der Anbieter besetzt die GEO-Kategorie über den Domainnamen und eigene Ratgeber-Inhalte. Dazu gehört ein Vergleichs-Listicle, das LLMs regelmäßig zitieren. Im Messfeld: 44,5 % im E-Commerce-Teilranking (Platz 2) und Top-5-Nennungen bei zwei von sechs Engines beim generischen Prompt. In klassischen SEO-Rankings kommt der Name kaum vor.

ShopStrategen

ShopStrategen ist eine E-Commerce-Beratung aus Hamburg und seit 2022 Teil der hd.group. Geführt wird sie von Christian Holsing und Sebastian Leitner. Der Fokus liegt auf Shop-Strategie, Conversion-Optimierung und SEO für Onlinehändler. Im E-Commerce-GEO-Ranking steht ShopStrategen mit 32,2 % auf Platz 5; wo die Marke genannt wird, steht sie mit Ø Position #1,7 so weit vorn wie keine andere der zehn sichtbarsten Marken in diesem Teilranking (nur die Verzeichnis-Marke Engine Native liegt mit #1,2 davor, bei einem Bruchteil der Sichtbarkeit). In klassischen SEO-Rankings taucht der Name kaum auf.

HECHT INS GEFECHT

HECHT INS GEFECHT ist eine SEO-Agentur aus Bremen, gegründet 2021 von den Brüdern Johannes und Benny Windolph. Die Agentur ist auf E-Commerce-SEO und GEO spezialisiert. Die GEO-Arbeit baut auf Vorarbeit auf: Benny Windolph beschäftigt sich seit 2023 mit dem Google Knowledge Graph, Entitäten und Retrieval. Das sind die Mechanismen, über die KI-Systeme Marken erkennen und Quellen auswählen. Zwei öffentlich nachprüfbare Contest-Ergebnisse belegen das. Beim KI-Contest von Rankscale holte die Agentur 2025 als erste Agentur überhaupt den 1. Platz. Beim SEO-Contest 2026 von Seobility und Agenturtipp folgte der 1. Platz; die Contest-Website Serponado war zum ausgerufenen Keyword die meistzitierte Quelle in den KI-Antworten. Im GEO-Messfeld steht HECHT INS GEFECHT im August 2026 bei 29,6 % beim KI-SEO-Prompt, Platz 4 mit dem besten Sentiment-Wert der Top 10 (86,4 %), aber nur noch bei 5,4 % im E-Commerce-Teilranking und bei 0 % beim generischen GEO-Prompt.

SEO-Küche

Die SEO-Küche aus Kolbermoor bei Rosenheim ist einer der größten Full-Service-Anbieter im deutschsprachigen Raum. Geführt wird sie von Patrick Keller und Oliver Lindner. Die Agentur betreibt eine eigene GEO-Leistungsseite samt Lexikon und publiziert ein eigenes GEO-Agentur-Listicle. Im Messfeld: 18,1 % beim KI-SEO-Prompt, damit knapp außerhalb der Top 6.

Seokratie

Seokratie aus München wurde 2008 von Julian Dziki gegründet, der die Agentur bis heute führt. Sie gehört zu den bekanntesten SEO-Agenturen im deutschsprachigen Raum, mit reichweitenstarkem Blog und Newsletter. GEO bietet sie als eigene Leistung an, vom Audit bis zur laufenden Betreuung auf klassischem SEO-Fundament. Im Messfeld: 22,6 % beim KI-SEO-Prompt, Platz 5.

ithelps Digital

ithelps Digital ist eine SEO-Agentur aus Wien um den Gründer Sebastian Prohaska, mit Büros in München und Berlin. GEO vermarktet sie über ein gestuftes Angebot vom Quick-Check bis zum Full-Service-Paket, inklusive KI-Monitoring. Wie bei Evergreen Media gilt: Sitz in Österreich, genannt wird die Marke bei Deutschland-Prompts trotzdem. Im Messfeld: 22,0 % beim KI-SEO-Prompt, Platz 6.

Evergreen Media

Evergreen Media aus Innsbruck ist bekannt durch die SEO-Ratgeber und YouTube-Inhalte von Alexander Rus. Die Agentur bietet Generative Engine Optimization als eigene Leistung an. Sie sitzt in Österreich, taucht bei Deutschland-Prompts aber regelmäßig auf. Im August-Messfeld steht sie mit 25,1 % auf Platz 7 des E-Commerce-Teilrankings.

dskom

dskom ist eine Online-Marketing-Agentur aus Berlin-Reinickendorf mit klassischem Profil aus SEO und Google Ads. Geführt wird sie von Sven Deutschländer und Harry Schäfer. Ein dediziertes GEO-Angebot gibt es bislang kaum. Auch im August bleibt es bei einer einzelnen Top-5-Nennung (bei Perplexity); das zeigt eher, wie dünn die Quellenlage beim generischen GEO-Prompt noch ist.

SEYBOLD ONE

SEYBOLD ONE aus Schorndorf bei Stuttgart ist die SEO-Agentur von Ralf Seybold, der seine Erfahrung seit 1998 angibt. GEO führt die Agentur prominent im Leistungsangebot, inklusive KI-Sichtbarkeits-Monitoring über ein eigenes Modell. Im August-Messfeld steht die Marke bei Bing Copilot an erster Stelle der Antwort auf den generischen GEO-Prompt; Rankscale führt sie dort unter der Kurzform SEYBOLD, getrennt vom Eintrag SEYBOLD ONE.

hurra.com

hurra.com (Hurra Communications) ist eine Performance-Marketing-Agentur aus Stuttgart. Weitere Standorte liegen unter anderem in Hamburg, Krakau, London und New York. Das Leistungsspektrum reicht von SEO über Anzeigen bis Social und Content. Die Agentur betreibt eine eigene Leistungsseite für LLMO und GEO. Im Juli-Messfeld holte sie eine Top-5-Nennung beim generischen GEO-Prompt, im August keine mehr.

Wordsmattr

Wordsmattr ist eine Agentur aus Wien um die Gründer Lukas Gehrer und Jürgen Ulbrich. Das Kerngeschäft sind Advertorials und Native Advertising. Die separate GEO-Landingpage vermarktet sich offensiv als GEO-Agentur. Ein deutscher Standort existiert nicht; genannt wird die Marke bei Deutschland-Prompts trotzdem. Bei Gemini steht sie beim generischen GEO-Prompt im August sogar ganz oben, ein bemerkenswerter Erfolg für eine Marke, deren Kerngeschäft bezahlte Platzierungen sind.

njoy online marketing

njoy online marketing ist eine Full-Service-Digitalagentur aus Köln mit Fokus auf E-Commerce und Lead-Generierung. Geführt wird sie von Angela Selbert und Daniel Heidinger. GEO- und KI-SEO-Leistungen bewirbt die Agentur; eine dedizierte GEO-Seite ließ sich nicht verifizieren. Im Juli-Messfeld: eine Top-5-Nennung, im August keine mehr.

Engine Native

Engine Native ist keine klassische Agentur. Der Name ist der Markenauftritt hinter dem Verzeichnis geoagenturen.de, betrieben von der Berliner track by track GmbH. Dieselbe Firma betreibt weitere GEO-Domains wie geoagenturberlin.de und geo-tool.com. Im Juli wurde die Marke in einer Engine-Antwort als GEO-Agentur empfohlen, im August hält sie sich in keiner Top 5 mehr. Dass ein Verzeichnis überhaupt so auftauchen kann, sagt mehr über die Quellenlage der KI-Systeme aus als über den Markt.

Die Geomarketing-Falle: warum die KI bei GEO an Landkarten denkt

Bei der Juli-Auswertung fiel uns etwas auf, das kein anderes GEO-Ranking erwähnt: Eine der sechs gemessenen Engines beantwortete den Prompt „Beste GEO-Agenturen in Deutschland“ mit GfK GeoMarketing, Infoterra und Capgemini Engineering. Das sind Geodaten- und Geomarketing-Dienstleister, keine Agenturen für Generative Engine Optimization. Eine weitere Engine lieferte lokale Treffer wie „GEO-Agentur Erfurt“ oder „GEO-Agentur München“, als wäre GEO eine Ortsangabe. Im August-Datensatz hat sich das Bild verschoben: Die Geomarketing-Deutung ist aus dem kompletten Messfeld verschwunden, fünf der sechs Engines antworten sauber in der richtigen Kategorie. Die Orts-Lesart hält sich dagegen: Bing Copilot listet weiterhin zu einem erheblichen Teil Orts-Treffer wie „GEO-Agentur Erfurt“ oder „GEO-Agentur Hamburg“ zwischen den echten Anbietern, sieben der neunzehn dort erkannten Marken sind solche Platzhalter, und ein einzelner Erfurt-Treffer taucht auch bei ChatGPT auf.

Abb. 4: Im Juli deuteten zwei von sechs KI-Engines den Prompt „Beste GEO-Agenturen in Deutschland“ falsch; im August ist die Geomarketing-Deutung verschwunden, nur die Orts-Lesart hält sich bei Bing Copilot.

Diese Fehltreffer waren mehr als eine Kuriosität, sie verzerrten im Juli jede GEO-Agentur-Messung. Dass die Geomarketing-Deutung binnen drei Wochen aus dem Messfeld verschwunden ist, zeigt, wie schnell sich eine Entität in KI-Systemen verankern kann: Die Modelle raten kaum noch zwischen Generative Engine Optimization, Geomarketing und Geografie. Vollständig abgeschlossen ist die Verankerung nicht, die Orts-Lesart hält sich bei Bing Copilot hartnäckig. Wie solche Bedeutungsverschiebungen entstehen, haben wir im Artikel über Semantic Drift ausführlich beschrieben. Für dich als Suchenden bleibt die Prüfung trotzdem Pflicht: Schau bei jedem GEO-Ranking, ob die gelisteten Anbieter überhaupt das Richtige verkaufen. Und für jede Agentur, die auf den GEO-Zug aufspringt: Ohne saubere Entitäten-Arbeit landet deine Marke im falschen Kontext.

Was eine GEO-Agentur kostet

Belastbare Marktpreise für GEO existieren noch nicht, dafür ist die Disziplin zu jung und der Markt zu unübersichtlich. Eine Orientierung geben die Preisangaben, die GEO-Anbieter selbst veröffentlichen: Monatliche Betreuung liegt dort zwischen rund 3.000 und 15.000 Euro. Einzelne Audits und Workshops liegen darunter. Die Spannbreite erklärt sich über den Leistungsumfang. Laufendes LLM-Monitoring, Entitäten-Arbeit, Content-Produktion und der Aufbau externer Quellen kosten mehr als eine einmalige technische Optimierung.

Wichtiger als der Preis ist, was drinsteckt. Frag bei jedem Angebot nach drei Bausteinen: nach laufendem LLM-Monitoring statt einer Einmal-Messung, nach Quellen-Arbeit außerhalb deiner Website (Verzeichnisse, Fachpresse, Vergleichsinhalte) und nach dem klassischen SEO-Fundament. Ein GEO-Retainer ohne diese drei Bausteine bezahlt vor allem das Label.

Vorsicht bei Anbietern, die Platzierungen in KI-Antworten garantieren. Die Rankings oben zeigen, wie stark die Werte innerhalb weniger Wochen schwanken. Eine seriöse GEO-Agentur verkauft Messung, Quellen-Arbeit und Transparenz, keine Garantien.

Woran du eine gute GEO-Agentur erkennst

Ein Ranking ersetzt keine Auswahlkriterien. Aus der täglichen Arbeit mit Entitäten, Knowledge Graph und LLM-Sichtbarkeits-Monitoring sind das die Fragen, die wir bei HECHT INS GEFECHT an jede GEO-Agentur stellen würden:

Misst sie, statt zu behaupten? Eine GEO-Agentur ohne kontinuierliches LLM-Monitoring verkauft ein Bauchgefühl. Frag nach dem Tool und nach echten Vorher-Nachher-Daten. Und frag nach den Kennzahlen dahinter: Visibility Score (wie präsent ist die Marke insgesamt), Detection Rate (wie oft wird sie überhaupt genannt) und Sentiment (wie wird sie bewertet). Unsere eigenen Daten oben zeigen, wie weit die Kennzahlen auseinanderliegen können: 7,1 % Detection Rate bei einer durchschnittlichen Position von #2,7.

Kann sie klassisches SEO? GEO baut auf sauberer Technik, Entitäten und semantischer Optimierung auf. Eine Agentur, die erst seit sechs Monaten existiert und nur GEO anbietet, überspringt das Fundament.

Arbeitet sie an Quellen außerhalb deiner Website? Die Rankings oben zeigen: LLM-Sichtbarkeit entsteht in den Quellen, die KI-Systeme zitieren. Wer nur deine Website optimiert, bearbeitet die halbe Aufgabe.

Legt sie ihre eigenen Zahlen offen? Ehrlicherweise ist das der härteste Test. Eine Agentur, die ihre eigene LLM-Sichtbarkeit nicht kennt oder nicht zeigt, wird deine auch nicht seriös steigern.

Abb. 5: Vier Fragen, die eine gute GEO-Agentur mit Daten beantwortet.

Was wir bei HECHT INS GEFECHT als SEO-Agentur für GEO konkret anbieten, steht auf der verlinkten Leistungsseite; das Ranking hier bleibt bewusst beim Markt-Überblick.

Was das Ranking nicht sagt

Die Zahlen stammen aus der Rankscale-Messung vom August 2026 über sechs Engines (7-Tage-Fenster, Abruf am 4. August). Drei Einschränkungen gehören dazu. Erstens: LLM-Rankings schwanken stark. Unser eigener Verlauf beim KI-SEO-Prompt, von 39 % auf unter 5 % und zurück auf 29,6 % innerhalb von drei Monaten, zeigt, wie volatil das Feld ist; DREIKON hat es in den letzten drei Wochen in die Gegenrichtung erwischt. Ein Ranking ist eine Momentaufnahme, kein Gütesiegel. Zweitens: Visibility misst Nennungshäufigkeit, nicht Arbeitsqualität. Eine Agentur kann hervorragende GEO-Arbeit leisten und trotzdem selten genannt werden, das Ranking bildet Quellen-Präsenz ab. Drittens: Die GEO-Prompts sind erst seit Juli im Messfeld. Je jünger die Messreihe, desto vorsichtiger die Interpretation.

Gübür warnt zurecht: Wer Rankings in LLMs gewinnt, kann gleichzeitig Rankings bei Google verlieren. Deswegen gehört zu seriöser GEO-Arbeit immer der Blick auf beide Systeme.

Häufige Fragen

Quellen

• Rankscale.ai: LLM-Sichtbarkeits-Messung über sechs KI-Engines (Datenbasis des GEO-Agentur-Rankings, Stand August 2026)
• Grok (xAI): eigene Gegenmessung von HECHT INS GEFECHT über die xAI-API mit Websuche, je drei Wiederholungen pro Prompt (4. August 2026)
• Koray Tuğberk Gübür, Holistic SEO: Einordnung von GEO als Semantic SEO für generative Systeme
• Nick Fox, Google Senior Vice President, im AI Inside Podcast (Dez. 2025): Google-Position zur Optimierung für KI-Suche
• David McSweeney: The Great GEO Grift (Okt. 2025): kritische Analyse des GEO-Agentur-Markts
• HECHT INS GEFECHT: Die 10 besten SEO-Agenturen in Deutschland 2026: Schwester-Ranking nach LLM-Sichtbarkeit
• HECHT INS GEFECHT: Generative Engine Optimization: Grundlagen-Artikel zu GEO
• Impressen und Leistungsseiten der gelisteten Agenturen: Standorte, Geschäftsführungen und GEO-Angebote (Stand Juli/August 2026)

Die Modelle lösten je nach Variante nur 3 bis 6 von 10 Rätseln korrekt. Der eigentliche Befund steckt aber woanders: Bei mehreren Rätseln nannten alle drei Modelle denselben falschen Erben. Das ist kein Zufallsrauschen. Das ist System.

Semantic Drift ist der Fachbegriff für dieses Verhalten: Ein KI-Modell zieht die plausible Antwort der formal korrekten vor. Das entscheidet mittlerweile darüber, was KI-Systeme über deine Marke erzählen und welche Produkte sie empfehlen.

Der SEO-Bereich optimiert seit zwei Jahren auf LLM-Sichtbarkeit. LLM steht für Large Language Model, das Sprachmodell hinter ChatGPT und Co. Das Ziel: Mentions und Citations sammeln, Bekanntheit aufbauen. Dabei liegt zwischen „die KI kennt dich“ und „die KI empfiehlt dich korrekt“ eine Lücke, über die kaum jemand spricht. In dieser Lücke zwischen Kennen und Empfehlen wohnt Semantic Drift.

Was Semantic Drift ist

Semantic Drift beschreibt ein systematisches Verhalten von LLMs (Large Language Models): Das Modell folgt der stärksten semantischen Assoziation und lässt die formale Anforderung still fallen. Andrea Volpini, CEO von WordLift, definiert es so: „The model follows what is emotionally and semantically related, and silently drops what is formally required.“ Übersetzt: Das Modell nimmt die Antwort, die sich richtig anfühlt. Die formal richtige lässt es still fallen.

Volpini beschreibt auch, wie Semantic Drift im Geschäftsalltag aussieht: als Produkt, das ähnlich ist, aber nicht kompatibel. Als Aussage, die plausibel klingt, aber durch nichts gedeckt ist. Als Kunde, der relevant wirkt, aber die Bedingungen verfehlt. Wer KI-Systeme regelmäßig nutzt, kennt jede dieser drei Varianten.

Der Begriff selbst stammt aus der Forschung. Ein Team um Ava Spataru bei Meta hat 2024 gezeigt, dass LLMs in langen Antworten korrekt starten und dann zunehmend von den Fakten abdriften. WordLift fasst den Begriff breiter und meint das Grundmuster dahinter: Plausibilität schlägt Korrektheit. In dieser breiten Lesart verwende ich Semantic Drift hier auch.

Dass Modelle so arbeiten, ist keine Fehlfunktion: Ein LLM erzeugt immer die wahrscheinlichste Fortsetzung eines Textes, das Plausible ist seine Standardeinstellung. Wo deine Fakten mehrdeutig, implizit oder verstreut sind, füllt das Modell die Lücke mit dem Plausibelsten, was es findet.

Kennen ist nicht Empfehlen: die zwei Ebenen der KI-Sichtbarkeit

Die Lage einer Marke in KI-Systemen teilt sich in zwei messbare Ebenen. Die Wissensebene beschreibt, ob das System die Marke kennt und korrekt einordnet. Die Empfehlungsebene beschreibt, ob die Marke auftaucht, wenn jemand eine kaufnahe Frage stellt. Die unbequeme Erkenntnis aus unseren Audits: Die Wissensebene sagt fast nichts über die Empfehlungsebene aus.

Ein Beispiel aus einem aktuellen Audit für ein Industrie-Auktionshaus: Gemini kennt die Marke aus dem Training, beschreibt sie akkurat und durchweg positiv. Auf kaufnahe Fragen empfehlen Gemini und ChatGPT trotzdem ausschließlich Wettbewerber, in beiden Systemen sogar dieselben. Die Marke fällt in keiner einzigen Antwort, auch nicht bei dem System, das sie nachweislich kennt.

Warum gewinnen auf der Empfehlungsebene andere Marken? Die Antwort steckt in den Quellen. KI-Systeme nennen genau die Wettbewerber, die in Drittquellen wie Vergleichsportalen, Ratgebern, Branchenverzeichnissen und Bewertungsplattformen sitzen. Das Modell empfiehlt, was in seinen Quellen gedeckt ist. Wer dort nicht mit klaren, extrahierbaren Aussagen vorkommt, wird durch die plausiblere Alternative ersetzt. Wie Marken dieses Drittquellen-Fundament aufbauen, steht im Beitrag über Brand SEO.

Wie wenig Bekanntheit allein schützt, hat der WIRED-Journalist Reece Rogers im April 2026 vorgeführt. Er fragte ChatGPT, welche Fernseher, Kopfhörer und Laptops seine eigene Redaktion empfiehlt. WIRED ist eine der bekanntesten Tech-Publikationen der Welt, bestens indexiert, tausendfach zitiert. Das Ergebnis: Alle Antworten waren falsch. ChatGPT schrieb der Redaktion Produkte zu, die sie nie empfohlen hatte, oder legte eigene Picks dazu. Deswegen greift reines Mention-Zählen zu kurz. Es misst, ob du vorkommst, aber nicht, ob das, was die KI über dich sagt, stimmt.

Abb. 1: Die zwei Ebenen der KI-Sichtbarkeit im Audit-Befund: gekannt, aber nicht empfohlen.

KI-Halluzinationen sind seltener Zufall, als du denkst

Erfundene Fakten aus KI-Systemen laufen unter dem Begriff KI-Halluzinationen, und der Mainstream behandelt sie wie Wetter: bedauerlich, aber zufällig. Diese Sicht ist bequem und falsch. Ein großer Teil dessen, was als Halluzination durchgeht, ist Drift, und Drift hat ein Muster.

Der Unterschied ist praktisch relevant. Eine echte Zufalls-Halluzination kannst du nicht vorhersagen. Drift dagegen tritt genau dort auf, wo Informationen mehrdeutig oder lückenhaft sind, und er tritt reproduzierbar auf. Im WordLift-Experiment nannten drei Gemini-Modelle konvergent denselben falschen Erben, weil die Erzählung dieselbe falsche Spur gelegt hat.

Das heißt: Wenn der Fehler ein Muster hat, kannst du das Muster brechen.

Deswegen lohnt sich der Blick auf die eigenen Inhalte. Warten, bis die Modelle aufhören zu raten, ist kein Plan. Deine Website kann ihnen das Raten heute schon abnehmen.

Drift-Lücke oder Retrievability-Lücke? Die Diagnose entscheidet

Wenn eine Marke in KI-Antworten fehlt oder falsch dargestellt wird, gibt es zwei sauber trennbare Ursachen. Eine Retrievability-Lücke ist eine Auffindbarkeits-Lücke: Der Fakt ist nicht gecrawlt, nicht indexiert, nicht in Drittquellen vertreten oder hinter JavaScript und Firewalls versteckt. Eine Drift-Lücke ist das Gegenstück: Der Fakt ist auffindbar, aber das Modell rät trotzdem plausibel-falsch, weil die Aussage mehrdeutig formuliert, nur impliziert oder über die Website verstreut ist.

Die Unterscheidung steuert die Maßnahme. Eine Drift-Lücke schließt du nicht mit mehr Indexierung. Eine Retrievability-Lücke schließt du nicht mit präziserem Text. Wer die beiden Ursachen verwechselt, optimiert am Problem vorbei und wundert sich, warum sich nichts bewegt.

Abb. 2: Die Diagnose-Weiche: Auffindbarkeit trennt Retrievability-Lücke von Drift-Lücke.

Drift-Quelle 1: Deine eigene Website ist mehrdeutig

Eine Augenklinik-Gruppe aus einem unserer Audits bekommt von drei KI-Systemen drei verschiedene Gründungsjahre zugeschrieben. Zwei Systeme nennen 1989 beziehungsweise 1998, das dritte kombiniert gleich zwei Jahreszahlen in einer Antwort. Die Ursache liegt nicht beim Modell: Die Website nennt je nach Unterseite unterschiedliche Gründungsjahre für unterschiedliche Unternehmenseinheiten. Das Modell rät, weil die Website ihm die Wahl lässt.

Dieselbe Gruppe hat einen renommierten Glaukom-Spezialisten im Team. Alle getesteten Systeme ordnen ihn der Schwesterklinik zu, denn nur deren Domain hat eine Profilseite über ihn. Die KI hat sich für die Zuordnung entschieden, die in ihren Quellen am besten gedeckt ist: plausibel, aber falsch.

Drift-Quelle 2: Fremde Quellen sind lauter als du

Ein Onlineshop für Rollladen-Zubehör aus unserem Kundenkreis wird von 10 der 11 getesteten KI-Plattformen erkannt. Klingt gut, ist es aber nicht: In 92 Fällen kollidiert die Antwort mit der Realität. Die Systeme nennen Adresse und Geschäftsführer korrekt und beschreiben das Geschäftsmodell trotzdem falsch, mal als Im- und Exporteur, mal als Textil-Vertrieb. ChatGPT lag in 9 von 10 Antworten daneben.

Die Quelle des Fehlers ließ sich nachweisen: Die Modelle aggregieren Handelsregister-Boilerplate wie „Handel mit Waren aller Art“ von Firmendaten-Portalen. Die korrekte Selbstbeschreibung stand nirgends als zitierfähiger Satz auf der eigenen Website. Die generische Fremdbeschreibung war schlicht die am besten gedeckte Information. Wie sauber definierte Entitäten dagegen wirken, erkläre ich im Beitrag über Entity SEO.

Drift-Quelle 3: Das Training hängt in der Vergangenheit

Ein Elektrotechnik-Hersteller, Tochter eines Weltkonzerns, taucht in KI-Antworten regelmäßig unter einem Markennamen auf, den das Unternehmen vor Jahren abgelegt hat. Dazu kommt ein Muster, das man kennen sollte: Die Fehlerquote wächst mit der Spezifität der Frage. Auf Kategorie-Ebene ist rund ein Drittel der Nennungen fehlattribuiert, auf Produktebene mehr als die Hälfte. Je konkreter die Frage, desto dünner die Deckung, desto stärker der Drift.

Der Kontrastfall: Retrievability-Lücke statt Semantic Drift

Eine europäische Premium-Modemarke aus einem aktuellen Audit hat auf der Wissensebene fast nichts zu befürchten: 95,7 % Entitäts-Genauigkeit, keine Verwechslung, positives Sentiment. Trotzdem ist sie bei ihrem wichtigsten Produktthema in KI-Antworten kaum existent. Die Diagnose war hier keine Drift-Lücke, sondern Retrievability. Die Kategorieseite zum Kernthema enthielt keinen einzigen inhaltlichen Satz zum Material. Das Produkt-Informationssystem pflegt 767 Datenfelder, von denen 33 im maschinenlesbaren Feed ankommen. Und die Firewall blockte AI-Crawler gleich komplett.

Beim Industrie-Auktionshaus vom Anfang war es genauso, mit einem lehrreichen Twist. Die interne Vermutung des Kunden lautete auf Drift: Das breite Sortiment verwässere die KI-Einordnung. Die Daten widerlegten das.

Es fehlte schlicht ein definitorischer Text zum Unternehmen, und der Markenname ist obendrein ein deutsches Alltagswort, das ohne Disambiguierung in der Wortbedeutung versinkt. Erst die Messung zeigt, welche der beiden Lücken eine Marke wirklich hat.

Similar but not compatible: der teuerste Drift-Fall im E-Commerce

Für Onlineshops hat Semantic Drift eine direkt kommerzielle Dimension, denn die Kaufberatung verlagert sich in KI-Systeme. Wer heute wissen will, welches Produkt passt, fragt zunehmend ChatGPT statt einer Suchmaschine. Was dabei schiefgeht, folgt fast immer demselben Muster: similar but not compatible. Das Produkt sieht ähnlich aus, gehört zur selben Gattung und passt trotzdem nicht.

Rollladen-Zubehör ist dafür ein Lehrbuchbeispiel. Gurtwickler gibt es für 14-mm-Gurte (Mini) und 23-mm-Gurte (Maxi), dazu unterscheiden sich Aufputz- und Unterputz-Systeme und bei Ersatzteilen die Motorserien. Für ein Sprachmodell sind das nahezu identische Produkte mit nahezu identischen Beschreibungen. Für den Kunden ist es die Differenz zwischen „funktioniert“ und „Retoure“.

Ein Shop-Betreiber aus unserem Kundenkreis hat mir das Problem in einem Workshop unfreiwillig perfekt demonstriert. Seine Kunden fragen regelmäßig, ob sich Terrassenpads aus Gummigranulat auch als Antivibrationsmatte unter der Waschmaschine eignen. Klingt plausibel, Gummi dämpft ja.

Seine Antwort als Fachmann: Waschmaschinen arbeiten mit unterschiedlichen Frequenzen, ein universell geeignetes Produkt gibt es in dem Bereich gar nicht. Wer die Eignung trotzdem pauschal garantiert, ist unseriös. Diese pauschale Garantie ist aber die Antwort, die ein LLM aus der Mitte der plausiblen Möglichkeiten zieht, wenn die Eignungsgrenzen nirgends explizit stehen.

Der Live-Test: sechs Kompatibilitätsfragen, zwölf KI-Systeme

Wie groß ist das Drift-Risiko bei Kompatibilitätsfragen 2026 wirklich? Unser Live-Test vom Juli 2026 liefert eine Zahl: eine harte Drift-Quote von 3,3 % über 61 auswertbare Antworten. Für den Test haben wir sechs Kompatibilitätsfragen mit wasserdicht belegter richtiger Antwort formuliert, zu Rollladengurt-Breiten, Druckerpatronen-Serien und E-Bike-Akku-Systemen. Gestellt haben wir sie an zwölf KI-Systeme, von den API-Modellen bis zu den Consumer-Oberflächen von ChatGPT, Perplexity, Copilot und Googles AI Mode. Das ergab 72 Anfragen.

Die KI-Systeme schnitten besser ab als ihr Ruf. Die Bilanz: 58 korrekte Antworten, 2 harte Drift-Fälle, 1 ausweichende Antwort. Die restlichen 11 Anfragen scheiterten technisch und blieben außerhalb der Wertung, darunter ein System, das komplett ausfiel.

Web-gestützte Systeme beantworten eindeutige Ja-Nein-Kompatibilitätsfragen mittlerweile fast durchweg richtig. Die naheliegende Erklärung stützt die These dieses Beitrags von der anderen Seite. Die Mini-Maxi-Grenze bei Rollladengurten steht in Dutzenden Shops explizit im Text. Wo die Grenze gut dokumentiert ist, muss das Modell nicht raten.

Abb. 3: Der Live-Test im Juli 2026: 72 Anfragen, 61 gewertete Antworten, harte Drift-Quote von 3,3 %.

Drei Drift-Befunde: Oberflächen-Drift, erfundene Produkte, Ja-Leads

Drift trat im Test genau dort auf, wo die Deckung fehlt oder die Oberfläche verkürzt. Der auffälligste Befund kam von Perplexity: Die API beantwortete die Frage, ob eine HP-305-Patrone in einen OfficeJet Pro 9019e passt, korrekt mit Nein. Die Consumer-Oberfläche desselben Anbieters antwortete auf dieselbe Frage: „Kurze Antwort: Ja, die HP 305 Patronen passen in den HP OfficeJet Pro 9019e“, gefolgt von einer frei erfundenen Begründung. Der Drift trat also genau auf der Oberfläche auf, auf der deine Kunden unterwegs sind.

Der zweite Befund betrifft Systeme ohne Live-Recherche. Mistral, im Test ohne Web-Zugriff, empfahl für 14-mm-Gurte zwei konkrete Gurtwickler samt Preisen und Amazon-Links. Beide Produkte existieren nicht, beide Links trugen dieselbe erfundene Artikelnummer. Das Modell hat aus plausiblen Namensbausteinen ein komplettes Sortiment halluziniert. Das ist das WIRED-Muster in verschärfter Form: Dort waren die Produkte wenigstens echt.

Der dritte Befund ist subtiler und deswegen gefährlicher: der Ja-Lead. Drei Systeme starteten ihre Antwort auf eine klare Nein-Frage mit „Ja“ und lieferten die entscheidende Einschränkung erst danach. Googles AI Mode legte sogar eine Gebrauchsanleitung für die inkompatible Kombination bei. Wer nur den ersten Satz liest, und so lesen die meisten Menschen KI-Antworten, nimmt die falsche Antwort mit.

In der Bilanz zählen diese drei Ja-Leads zu den korrekten Antworten, weil die entscheidende Einschränkung im Antworttext folgt. Gewertet haben wir das Endergebnis der Antwort, nicht ihren ersten Satz.

Zwei unserer acht geplanten Testfragen haben wir vor dem Start gestrichen, weil die Primärquellen unsere vermutete richtige Antwort nicht deckten. Auch eine Test-These kann driften.

Und sechs Fragen in einem Durchlauf sind eine Stichprobe, keine Studie. Das Muster ist trotzdem deutlich: Eindeutige, gut dokumentierte Kompatibilitätsgrenzen sind kaum noch ein Drift-Risiko. Offene Empfehlungsfragen, Systeme ohne Live-Recherche und verkürzende Antwort-Oberflächen sind es sehr wohl.

Was das für die Praxis heißt, habe ich im Beitrag über Onlineshop-SEO grundsätzlicher beschrieben. Hier geht es um die Konsequenz für den Produkttext: Kompatibilität und Eignung sind keine Zusatzinformationen. Sie sind die Information.

Schutz vor Semantic Drift: Fakten als eigenständige Sätze

Der wirksamste Schutz gegen Semantic Drift ist Disziplin beim Schreiben. Die Grundregel: Jeder kritische Fakt steht als Satz auf der Seite, der ohne den Satz davor funktioniert. LLMs verarbeiten Inhalte in Chunks, also in Textabschnitten, die einzeln bewertet und zitiert werden. Ein Satz, der seinen Kontext nicht mitbringt, ist für dieses System wertlos.

Ein Beispiel aus einem Kunden-Workshop: „Das Sortiment richtet sich an Handwerker und Selbermacher“ kann kein KI-System zitieren, denn ohne den Absatz drumherum ist unklar, wessen Sortiment gemeint ist. „Das Sortiment von [Marke] richtet sich an Handwerker und Selbermacher“ dagegen ist eine eigenständige Aussage. Sie kann eins zu eins übernommen werden, und die Entität wird gleich mitgeliefert.

Als Mensch interpoliert man beim Lesen, man denkt sich den Zusammenhang dazu. Ein Retrieval-System tut das in der Regel nicht.

Für Eignung und Kompatibilität heißt das konkret: für wen, wofür, in welchen Grenzen. Und bei den Grenzen kommt ein Konflikt ins Spiel, den ich ernst nehme. Explizite Negation („passt NICHT zu 14-mm-Gurten“) ist die formal sauberste Abgrenzung, aber niemand will Produktseiten voller Verneinungen, die ein schlechtes Sentiment auf die eigene Marke legen.

Die Lösung ist positive Begrenzung: „Passt ausschließlich zu Gurten mit 23 mm Breite.“ Das „ausschließlich“ trägt den harten Ausschluss, der Markenton bleibt sauber. So warnst du vor der falschen Lösung, ohne zu verneinen.

Drei Bausteine schützen Produkttexte vor Drift: der eigenständige Satz mit Entitätsanker, die positive Begrenzung bei Eignung und Kompatibilität, die Kompatibilitätstabelle bei harten technischen Grenzen. Dazu kommen konsistente Entitätsnamen im gesamten Text statt kreativer Synonyme. Die handwerklichen Details dazu stehen im Beitrag über Content-Formatierung für LLMs und im Grundlagen-Post zum semantischen SEO.

Abb. 4: Drei Bausteine machen Produkttexte drift-fest: Entitätsanker, positive Begrenzung, Kompatibilitätstabelle.

Pro-Tipp: Prüfe, wo deine kritischen Fakten im Layout stehen. Bei derselben Premium-Modemarke aus dem Kontrastfall steckte die komplette Produktbeschreibung samt Materialvorteilen auf den Produktseiten zusätzlich eingeklappt in einem Akkordeon. Was erst nach einem Klick sichtbar wird, existiert für Systeme ohne JavaScript-Rendering schlicht nicht. Kritische Fakten gehören ausgeklappt und möglichst weit nach oben.

Schema Markup: zweite Schicht, keine Magie

Meine Schema-Position vorweg, denn sie ist unspektakulär: Text zuerst, Schema obendrauf. Ob und wann welches System Markup auswertet, weiß am Ende niemand verlässlich, denn Training, Index-Retrieval und Live-Abruf sind drei getrennte Wege mit eigenen Regeln. Deswegen gehört jeder kritische Fakt zuerst sichtbar in den Text, schnell auffindbar und eigenständig formuliert. Dazu kommt ein umfangreiches Schema Markup, denn du schreibst für Google und LLMs gleichzeitig, und mindestens auf dem Index-Weg wirkt die Struktur nachweislich.

Die Debatte dahinter ist in zwei Lager zerfallen, und ehrlicherweise haben beide einen Punkt. Der britische SEO Mark Williams-Cook nennt die Beweislage für Schema als Citation-Booster „remarkably thin“. Ein Experiment des Tools searchVIU stützt ihn: Ein Produktpreis, der nur im JSON-LD stand, blieb beim Live-Abruf in 5 von 5 getesteten KI-Systemen unauffindbar.

Die Gegenseite hat prominente Stimmen. Fabrice Canel, Principal Product Manager bei Bing, bestätigt als bislang einziger Plattform-Vertreter explizit: Schema hilft Microsofts LLMs beim Verstehen, und Copilot sitzt direkt auf dem Bing-Index. John Mueller, Search Advocate bei Google, lieferte unfreiwillig das stärkste Pro-Struktur-Argument: Preise, Verfügbarkeit und Versanddaten akkurat aus Fließtext zu lesen sei „basically impossible“. Für kursierende Zahlen wie „3,6-fach häufiger zitiert dank Schema“ existiert dagegen keine belastbare Quelle.

Eine Warnung gehört dazu, weil sie in der Praxis häufiger vorkommt, als man denkt: Schema, das lügt, verstärkt Drift, statt ihn zu verhindern. Beim erwähnten Rollladen-Shop deklarierte das ItemList-Markup der wichtigsten Kategorieseite fünf Produkt-URLs, von denen alle fünf tot waren. Jeder Schema-Claim braucht einen sichtbaren Textbeleg auf der Seite. Strukturierte Daten beglaubigen den sichtbaren Text, eine Parallelwelt eröffnen sie nicht.

Was WordLift richtig sieht und wo Ontologien Overkill sind

Meine Einordnung des WordLift-Experiments fällt zweigeteilt aus: Die Diagnose Semantic Drift trifft den Kern des Problems, die Therapie ist für die meisten Websites Overkill. WordLift trainiert kleine Modelle mit einer formalen Ontologie als Schiedsrichter, also einem maschinenlesbaren Regelwerk über erlaubte Beziehungen. Das Ergebnis kann sich sehen lassen: Ein kleines Gemma-Modell schlug mit diesem Rezept die getesteten Gemini-Modelle bei den Erbschaftsrätseln mit 8 von 10 richtigen Antworten.

WordLifts Ontologie-Therapie bleibt trotzdem Labor. Ontologie-Design, Reward-Funktionen und GPU-Training sind für Konzerne mit Millionen Produktdatensätzen ein legitimes Forschungsfeld. Ein Shop mit 5.000 Produkten braucht davon nichts. Er braucht den Satz „Passt ausschließlich zu Gurten mit 23 mm Breite“ auf der Produktseite, eine Kompatibilitätstabelle und ein Product-Schema, das die Wahrheit sagt. Das ist die 95-%-Lösung, und sie kostet Schreibarbeit statt Rechenzeit.

„Structure is the moat“, Struktur als Burggraben: Da hat Volpini recht. Nur muss die Struktur nicht in einer Ontologie-Datei leben, für die meisten Websites reicht sie im sichtbaren Text.

Drift-Check für deine Marke: so findest du die Lücken

Der Drift-Check läuft in vier Schritten: kaufnahe Prompts sammeln, vier KI-Systeme abfragen, jede Antwort klassifizieren, die Maßnahme der Diagnose zuordnen. Wichtig ist ein festes Prompt-Set statt spontaner Einzelfragen, denn nur identische Fragen machen Veränderung messbar. Das Vorgehen stammt aus unseren Audits und lässt sich verkleinert nachbauen.

Abb. 5: Der Drift-Check in vier Schritten, von den Prompts bis zur Maßnahme.

Schritt 1: Kaufnahe Prompts sammeln

Formuliere 15 bis 30 Fragen, wie sie deine Kunden stellen würden: Empfehlungsfragen („Welcher Anbieter für X ist empfehlenswert?“), Wissensfragen („Was macht [Marke]?“) und Kompatibilitäts- oder Eignungsfragen zu deinen Produkten. Die Themen dafür liefert deine eigene Navigation statt eines Keyword-Tools. Wie sich GEO generell vom klassischen Keyword-Denken unterscheidet, habe ich separat beschrieben.

Schritt 2: Mehrere Systeme abfragen und dokumentieren

Stelle dieselben Fragen an ChatGPT, Gemini, Perplexity und Copilot, jeweils im Standard-Modus. Halte die Antworten wörtlich fest, mit Datum. Einzelne Antworten sind Anekdoten, erst das dokumentierte Set lässt sich mit späteren Läufen vergleichen.

Schritt 3: Jede Antwort klassifizieren

Klassifiziere jede Antwort entlang von vier Prüfpunkten: Markenkenntnis, korrekte Beschreibung deines Geschäfts, Empfehlung auf kaufnahen Fragen, passende Produktempfehlung bei Kompatibilitätsfragen. Notiere pro Prüfpunkt und System ein Ja oder Nein. Komplett fehlende Nennungen deuten auf Retrievability. Falsche Beschreibungen, falsche Zuordnungen und falsche Produktempfehlungen trotz vorhandener Nennung sind Drift.

Schritt 4: Die Maßnahme der Diagnose zuordnen

Bei Retrievability-Lücken geht es um Auffindbarkeit: Indexierung, definitorische Texte, Präsenz in Drittquellen, Fakten raus aus PDFs und Akkordeons, AI-Crawler nicht aussperren. Bei Drift-Lücken geht es um Eindeutigkeit: eigenständige Sätze mit Entitätsanker, positive Begrenzung bei Kompatibilität, Kompatibilitätstabellen, konsistente Namen, Schema-Claims mit Textbeleg. Beides zugleich zu brauchen ist übrigens der Normalfall, nur eben auf verschiedenen Seiten der Website.

Pro-Tipp: Wiederhole das Set monatlich mit identischen Prompts in identischer Reihenfolge. Drift-Befunde wandern, wenn Quellen und Modelle sich ändern. Ohne Zeitreihe siehst du nur Momentaufnahmen und kannst keine Wirkung nachweisen.

Letztlich ist Semantic Drift eine gute Nachricht für alle, die präzise arbeiten. Das Plausible gewinnt nur dort, wo das Korrekte nicht eindeutig genug dasteht. Und wie eindeutig deine Fakten dastehen, entscheidest du mit jedem Produkttext selbst.

Quellen

• Andrea Volpini, Chiara Carrozza (WordLift): Sangue e Grafi: Teaching a Small Model to Read the Bloodline, Juni 2026
• Ava Spataru et al. (Meta): Know When To Stop: A Study of Semantic Drift in Text Generation, NAACL 2024
• searchVIU: Schema Markup and AI in 2025: What ChatGPT, Claude, Perplexity & Gemini really see, Dezember 2025
• Mark Williams-Cook: Schema & LLMs: The low bar for evidence in GEO, Search Engine Journal, Juni 2026
• Barry Schwartz: Microsoft Bing: Copilot uses schema for its LLMs, Search Engine Land, März 2025
• Barry Schwartz: Google’s John Mueller on schema helping LLMs, Search Engine Roundtable, Januar 2026
• Google Search Central: Einführung in strukturierte Daten
• Reece Rogers: I Asked ChatGPT What WIRED Reviewers Recommend. Its Answers Were All Wrong, WIRED, April 2026
• Aggarwal et al.: GEO: Generative Engine Optimization, KDD 2024

Nach zwei SEO-Contests mit frischen Domains ist meine Position: Die Google Sandbox ist keine pauschale Wartezeit, sondern ein Misstrauens-Filter. Google bremst keine neuen Domains aus, Google bremst unbelegte Entitäten aus. Der Unterschied ist praktisch relevant, denn einen Misstrauens-Filter kannst du aktiv ausräumen, statt ihn abzuwarten.

Was hinter der Google Sandbox steckt

Die Google Sandbox bezeichnet eine angebliche Anlaufphase von 6 bis 12 Monaten, in der neue Domains trotz guter Inhalte kaum ranken. Google dementiert die Google Sandbox seit Jahren, unabhängig belegt wurde sie nie. Der Google-Leak von 2024 liefert immerhin ein starkes Indiz für einen Spam-Mechanismus bei frischen Hosts. Ein pauschaler Filter für alle neuen Domains taucht aber auch darin nicht auf.

Die Dementis sind gut dokumentiert. Der US-Fachjournalist Barry Schwartz protokolliert die Google-Aussagen dazu seit Jahren auf Search Engine Roundtable. Gary Illyes, Analyst bei Google, sagte 2016 schlicht: „We don’t have a sandbox“. John Mueller, Search Advocate bei Google, wiederholte 2019: „There is no sandbox“.

Aufschlussreicher finde ich, was Mueller 2021 in den SEO Office Hours ergänzte: Google trifft bei neuen Inhalten Annahmen, weil schlicht noch Daten fehlen. Fällt die Schätzung zu optimistisch aus, rankt eine neue Seite kurz erstaunlich gut, der sogenannte Honeymoon-Effekt. Fällt sie zu vorsichtig aus, hängt die Seite unten fest.

Im Mai 2024 bekam die Debatte neues Material. Rand Fishkin, Mitgründer von SparkToro, und Mike King, Gründer der SEO-Agentur iPullRank, veröffentlichten tausende geleakte Dokumente aus Googles internem Content Warehouse. Darin steht ein Attribut namens hostAge, laut Beschreibung dafür da, frischen Spam auszubremsen („to sandbox fresh spam in serving time“).

Kings Fazit: „Turns out there is a sandbox after all.“ Er weist auch darauf hin, dass Muellers Dementi-Tweet von 2019 mittlerweile gelöscht ist. Google reagierte mit einer Warnung vor Schlüssen aus unvollständigen, veralteten oder aus dem Zusammenhang gerissenen Informationen, bestritt die Echtheit der Dokumente aber nicht.

Entscheidend ist die Formulierung im Leak, denn es geht dort um frischen Spam. Dass ein Mechanismus neue Hosts kritisch prüft, halte ich für real und plausibel. Eine pauschale Sperre für alle neuen Domains ist etwas anderes. Beide Positionen in der Debatte greifen deswegen zu kurz: Wer „die Sandbox existiert nicht“ sagt, ignoriert den Leak. Wer neue Domains 6 bis 12 Monate warten lässt, macht aus einem Spam-Filter eine feste Wartezeit.

Die Google Sandbox ist kein pauschaler Neue-Domain-Filter, sondern ein Misstrauens-Filter gegen unbelegte Entitäten. Google hält zurück, was es noch nicht einordnen kann, bis Belege die Einordnung möglich machen.

Abb. 1: Zwei Lesarten der Google Sandbox: pauschale Wartezeit und Misstrauens-Filter im Vergleich.

Woher der Rat zur Geduld kommt

Wer zur Google Sandbox recherchiert, bekommt im deutschsprachigen Raum (DACH) fast überall denselben Rat: Geduld. Die ursprüngliche Behauptung nennt 6 bis 12 Monate, die Ratgeber-Praxis setzt meist 3 bis 9 an. Bei Gesundheits- und Finanzthemen werden gern 12 und mehr daraus. Als Beleg zitieren fast alle dieselbe Studie von Patrick Stox, Product Advisor bei Ahrefs. Danach erreichen nur 1,74 % neuer Seiten binnen 12 Monaten die Top 10, und die durchschnittliche Nummer-1-Seite ist rund 5 Jahre alt.

An den Zahlen zweifle ich nicht, an der Schlussfolgerung schon. Die Ahrefs-Studie misst, dass die meisten neuen Seiten langsam ranken. Warum sie langsam ranken, misst sie nicht, und einen Filter beweist sie erst recht nicht.

Nach zwei Contest-Kampagnen lese ich die 1,74 % anders: Sie zeigen, wie die meisten neuen Seiten starten, nicht was Google mit ihnen macht. Die typische neue Seite bekommt kein Entity-Fundament, keine Citations, keine autoritativen Signale und oft obendrein dünnen Content. Dass alte Seiten oben stehen, zeigt in erster Linie, dass ihre Autorität Zeit zum Wachsen hatte. Das Domain-Alter selbst ist kein Rankingfaktor, das hat Mueller mehrfach klargestellt.

Warum ranken neue Domains in der Praxis dann so oft monatelang nicht? In der Regel deshalb, weil in den ersten Monaten niemand das Vertrauensproblem der neuen Domain bearbeitet: kein Fundament, keine Belege, keine Verknüpfung der Signale.

Der Praxisbeweis: Platz 1 in 21 Tagen mit Domain Rating 0

Am 9. Juni 2026 riefen Seobility und Agenturtipp.de das fiktive Contest-Keyword „Serponado“ aus. Am selben Vormittag habe ich serponado.org registriert und noch am Abend eine schlanke HTML-Website live gestellt. Am 30. Juni stand die Domain auf Platz 1. Endergebnis laut offizieller Auswertung: 9,93 Punkte und Platz 1 in fünf von sechs Einzelwertungen, über Desktop und Mobile hinweg.

Ein fiktives Keyword bedeutet: keine fünf Jahre alten Platzhirsche. Dafür starteten etwa 200 SEO-Agenturen, Freelancer sowie Inhouse-SEOs gleichzeitig bei Null, mit exakt drei Wochen Zeit. Für mich war es der zweite Anlauf mit diesem Ansatz: Beim Contest 2025 holte keywordkoenig.org, ebenfalls erst zum Keyword-Ausruf registriert, Platz 3. Wer an eine 6-Monats-Sandbox glaubt, dürfte bei so einem Wettbewerb gar nicht erst antreten.

Tag 1 im Access-Log: Bing nach 60 Sekunden, Google nach einer Stunde

Die erste Nacht steht komplett im Server-Log, 321 Requests zwischen Launch-Abend und frühem Morgen. Bingbot rief die Seite 60 Sekunden nach dem IndexNow-Ping ab, Googlebot kam nach rund einer Stunde. ClaudeBot, der Crawler von Anthropic, holte sich ab Tag 1 alle 2 Stunden robots.txt und Sitemap. Noch am Abend des Launch-Tags kam der erste Klick aus der organischen Google-Suche.

Ehrlicherweise kam davon nichts von allein. Ich habe die Domain aktiv angemeldet: IndexNow für Bing, dazu Search Console und Indexing API für Google. Offiziell ist die Indexing API nur für Stellenanzeigen und Livestreams gedacht, in der Praxis stößt sie den Crawler trotzdem zuverlässig an. Irgendwoher muss der Fingerzeig kommen, dass es die neue Website gibt.

Der Beitrag zur Indexierung zeigt Schritt für Schritt, wie du neue URLs bei Google und Bing anstößt. Mit Anstoß war die Aufnahme in den Index bei uns eine Sache von Stunden, in der Regel ist sie eine von Stunden bis Tagen. Ohne Anstoß zieht sich dieselbe Aufnahme über Wochen, und genau diese Wartezeit wird dann der Sandbox zugeschrieben.

Abb. 2: Die erste Nacht im Access-Log: vier Kennzahlen vom Launch-Tag.

Woche 2: Das Tal, das wie die Sandbox aussieht

Am Tag nach dem Launch stand die Domain in einzelnen Messungen kurz auf Platz 1, danach ging es steil nach unten. Vom 12. bis 18. Juni tauchte serponado.org in höchstens 2 von 24 stündlichen Top-100-Messungen pro Tag überhaupt auf, die Domain war eine Woche lang praktisch unsichtbar. War das nun die berühmte Google Sandbox? Die Log- und Messdaten liefern drei banalere Erklärungen.

Erstens holte Google binnen weniger Tage hunderte neue Seiten zum Keyword in den Index und sortierte die Rangfolge praktisch stündlich neu. In einem Contest mit stündlichen Messungen lässt sich das live beobachten. Zweitens waren unsere Citations zwar angelegt, also die Firmenprofile bei Crunchbase, in Branchenverzeichnissen und auf Kartendiensten. Zugeordnet hatte Google sie der Domain aber noch nicht: Die Profile und die Website existierten für Google getrennt voneinander.

Drittens nahm ein Ausfall beim Hoster die Seite fast eine Stunde offline. Keiner der drei Gründe hat mit dem Alter der Domain zu tun.

Was die Blockade gelöst hat: Konsens-Update und Citation-Verknüpfung

Ab dem 20. Juni war die Domain zurück in den Top 10 und hing dort erst einmal im Mittelfeld fest. Der Grund stand in den Top-Ergebnissen: Das Kunstwort hatte durch die Contest-Beiträge eine eigene Bedeutung als SERP-Phänomen bekommen. Meine Startseite erzählte aber weiterhin nur die Marken-Geschichte.

Ich habe die Startseite deswegen um die Konsens-Bedeutung als SERP-Phänomen erweitert. Parallel griffen die Citation-Signale. Ab dem 24. Juni stand die Domain stabil auf Platz 1 bis 3 und war in der Schlusswoche in fast jeder Messung präsent.

Ob der Bedeutungs-Umbau den Ausschlag gab oder die mittlerweile verknüpften Citations, lässt sich nicht sauber trennen. Beide Maßnahmen wirken in dieselbe Richtung: Google konnte die Entität endlich einordnen. In der letzten Woche habe ich bewusst keine neuen Maßnahmen mehr gestartet, Stabilität war mir an dem Punkt wichtiger als ein weiterer Hebel.

Abb. 3: Die 21 Contest-Tage im Rank-Monitoring: vom Launch über das Tal bis zu Platz 1.

Klassisches Linkbuilding spielte keine Rolle: alle frischen Contest-Domains bei Rating 0

Mitte Juni habe ich 15 der rund 20 frisch zum Kunstwort registrierten Domains im Contest durch Ahrefs gejagt, unsere eingeschlossen. Alle 15 standen auf Domain Rating 0, auf einer Linkprofil-Skala, die bis 100 reicht. Bei den verweisenden Domains sah es ähnlich aus: Rund 90 % waren bei allen 15 derselbe generische Spam, der sich automatisch auf sichtbare Domains stürzt. Die Ranking-Unterschiede zwischen diesen Domains kamen also nicht aus dem Linkprofil. Dasselbe zeigte der Blick auf das Gesamtfeld: In den Top 10 standen zeitweise frisch registrierte Domains mit Rating 0 neben etablierten Websites mit Rating über 90.

In den Linkprofilen der 15 frischen Domains fanden sich nur wenige echte Quellen. Die zwei stärksten zeigten auf unsere Domain: ein Crunchbase-Profil (DR 91) und ein Karteneintrag (DR 74). Gewirkt haben die beiden Quellen bei uns in erster Linie als Entitäts- und Vertrauenssignale, wie viel klassischer Linkwert zusätzlich floss, lässt sich nicht sauber isolieren. Solche Einträge sind Entity-Korroboration, also unabhängige Orte, die dieselbe Geschichte über dieselbe Marke erzählen. Mehr dazu steht im Beitrag über Entity SEO.

Zwei eigene Fehler bremsten mehr als jede Sandbox

Richtig Zeit gekostet haben mich zwei eigene Fehler, und beide hatten mit dem Domain-Alter nichts zu tun. Das Wikidata-Item habe ich am ersten Tag angelegt, nach gut einem Tag war es wieder weg, gelöscht von den Admins, weil externe Belege fehlten. Das war verdient, denn die Reihenfolge zählt: erst Fundstellen aufbauen, dann Wikidata. Fehler zwei war eine Unterseite, die eine Sektion der Startseite fast wortgleich doppelte. Google ließ sie sechs Tage bei „gecrawlt, nicht indexiert“ hängen, dann habe ich sie per 301 entfernt.

Duplicate Content ist kein Strafgrund. Bei Null-Autorität führt er aber dazu, dass Google redundante Seiten gar nicht erst priorisiert. Duplicate Content bei Null-Autorität ist nach meiner Erfahrung die wirksamste Bremse junger Domains. Eine etablierte Website verkraftet solche Redundanzen in der Regel, eine neue Website nicht.

Warum neue Domains wirklich nicht ranken

Neue Domains scheitern an 3 Bremsen: Autoritätslücke, unverknüpfte Entität, selbstgemachte Fehler wie Duplicate Content bei Null-Autorität. Das Registrierungsdatum der Domain steht bewusst nicht auf der Liste.

Die erste Bremse sind fehlende autoritative Signale. Eine frische Domain bietet Google schlicht nichts, woran sich Vertrauen festmachen lässt. Umgekehrt heißt das: Ein einziger starker, redaktioneller Link von einer autoritativen Website schließt genau diese Lücke, nach meiner Überzeugung auch auf umkämpften Märkten. Wer so einen Link bekommen kann, braucht keine Geduld.

Bremse Nummer zwei ist die unverknüpfte Entität. Profile, Bewertungen und Verzeichniseinträge wirken erst, wenn Google sie derselben Marke zuordnet. Bei uns dauerte die Zuordnung etwa zwei Wochen, und exakt in dieser Zeit lag das Ranking-Tal. Beschleunigen lässt sich die Zuordnung mit Konsistenz: überall derselbe Name, dieselbe Adresse, dieselbe Beschreibung, dieselbe Story.

Die dritte Bremse produzierst du selbst: Duplicate Content, dünne Seiten oder widersprüchliche Angaben. Einer etablierten Domain schaden solche Fehler kaum, eine neue Domain halten sie komplett unten.

Abb. 4: Die drei Bremsen neuer Domains, das Registrierungsdatum ist keine davon.

Die Brand-Ausnahme: wo die Sandbox nie greift

Für den eigenen, eindeutigen Markennamen rankt eine neue Domain fast immer sofort, von einer Sandbox ist dort nichts zu sehen. Genau darauf habe ich im Contest gesetzt und das Keyword von Tag 1 an wie eine Marke behandelt. Domain, Title, H1, Schema und Profile erzählten alle dieselbe Geschichte einer Agentur namens Serponado.

Übertragbar ist die Brand-Logik auf jedes echte Projekt, denn Naming ist letztlich eine SEO-Entscheidung. Wer ein Produkt, eine Methode oder eine Kategorie mit einem eigenen, eindeutigen Begriff benennt, besitzt die Suchergebnisse zu diesem Begriff vom ersten Tag an. Warum das so wertvoll ist, steht im Beitrag über Brand SEO. Die Logik reicht sogar über Markennamen hinaus. Originärer Content, nach dem tatsächlich gesucht wird, hat wahrscheinlich auch ohne Backlinks wenig von einer Sandbox zu befürchten, weil er mit niemandem konkurriert.

Wo Geduld berechtigt ist

YMYL-Themen sind die Inhalte mit direkten Folgen für Gesundheit oder Finanzen, die Abkürzung YMYL bedeutet Your Money or Your Life. Bei YMYL-Themen prüft Google strenger, der Vertrauensaufbau braucht dort mehr und bessere Belege und dauert deswegen länger. Eine fixe Wartezeit wird trotzdem nicht daraus, die Prüfung ist lediglich strenger.

Der Contest-Fall hat Grenzen: Ein fiktives Keyword hat keine etablierte Konkurrenz. Auf echten Märkten mit alten, gut verlinkten Wettbewerbern verschiebt sich der Engpass zu den autoritativen Signalen, und der Zeithorizont wird länger. An der Mechanik ändert das nichts: Entscheidend ist, wie schnell du Belege lieferst, nicht wie alt deine Domain ist.

Der Entity-Sprint: Vertrauen belegen statt Zeit absitzen

Der Entity-Sprint ist ein Programm aus 4 Schritten, das einer neuen Domain in Wochen statt Monaten die nötigen Vertrauensbelege verschafft. Die Logik dahinter: Gegen einen Spam-Filter hilft vor allem, nicht wie Spam auszusehen. Spam versteckt seine Betreiber, erzählt auf jedem Kanal eine andere Geschichte und hat keine echten Bewertungen. Eine vertrauenswürdige Entität macht das Gegenteil und setzt auf maximale Transparenz plus eine konsistente, kongruente Story über alle Kanäle.

Schritt 1 (Tag 0 bis 1): Entity Home und Fundament

Die neue Website macht in den ersten Sätzen unmissverständlich klar, wer oder was die Marke ist. Title, H1, Domain und Organization-Schema tragen deckungsgleich dieselbe Botschaft, das Prinzip dahinter erklärt der Beitrag zur Über-uns-Seite als Entity-Hub. Technisch bleibt die Website schlank und schnell, ganz im Sinne des Cost of Retrieval. Ins Impressum gehören echter Name, echte Adresse und echte Telefonnummer, denn Transparenz ist das günstigste Vertrauenssignal.

Danach stößt du die Indexierung aktiv an, per IndexNow und Search Console. Bei Serponado stand das komplette Fundament am Abend des ersten Tages.

Schritt 2 (erste Woche): die wichtigsten Profile der Nische

Statt 100 Branchenbücher zu befüllen, bau zuerst die Profile auf, die in deiner Nische Gewicht haben. Danach folgen Trust-Profile mit echten Bewertungen, etwa Google, ProvenExpert oder Trustpilot, wie im Beitrag zum Bewertungsmanagement beschrieben. Jedes Profil bekommt identische Angaben (gleicher Name, gleiche Adresse, gleiche Telefonnummer, gleiche Beschreibung) und wandert als sameAs ins Schema. Geclaimte Bewertungsprofile sind nebenbei deine Verteidigung, falls ein Wettbewerber mit Fake-Reviews nachhilft.

Pro-Tipp: Prüfe nach zwei Wochen per site:-Abfrage, welche deiner Profile tatsächlich im Google-Index stehen. Ein Eintrag, den keine Suchmaschine indexiert hat, existiert für Google nicht und stützt deine Entität nicht.

Schritt 3 (zweite Woche): autoritative Signale

Ein starker Link schlägt 50 schwache. Gastbeiträge in Fachmedien, Presseerwähnungen, Verbands- oder Hochschulseiten bringen einer neuen Domain am schnellsten Autorität. Falls solche Links kurzfristig unrealistisch sind, bleibt die Expired Domain eine gangbare Abkürzung, mit den bekannten Risiken einer fremden Link-Historie. Der Aussage, dass Domain-Alter kein Rankingfaktor ist, widerspricht das übrigens nicht: Du kaufst die vorhandenen Vertrauenssignale, das Alter ist nur deren Nebenprodukt. Wie das funktioniert, steht im Beitrag über Expired Domains.

Schritt 4 (laufend): Konsistenz halten und nachziehen

Schritt 4 läuft dauerhaft weiter: Neue Profile wandern ins Schema, Bewertungen wachsen, und die Indexierung prüfst du regelmäßig nach. Geduld brauchst du also doch, allerdings beim Dranbleiben am Aufbau, nicht beim Warten auf Google. Die Verknüpfung aller Signale dauerte bei uns rund zwei Wochen. Der realistische Zeithorizont für den Vertrauensaufbau einer neuen Domain liegt bei Wochen statt Monaten.

Abb. 5: Der Entity-Sprint: vier Schritte vom Fundament bis zur laufenden Konsistenz.

Mein Fazit

Der Sandbox-Mechanismus, den der Leak zeigt, ist ein Filter gegen frischen Spam und keine feste Wartezeit für neue Domains. Darauf reagierst du am besten mit Arbeit statt mit Geduld: maximale Transparenz, echte Bewertungen, eine konsistente Story über alle Kanäle. Eine frische Domain mit Domain Rating 0 hat mit diesem Programm in 21 Tagen den größten deutschsprachigen SEO-Contest gewonnen. Nach Platz 3 im Vorjahr war das die zweite Top-3-Platzierung in Folge für diesen Ansatz. Wer stattdessen sechs Monate auf das Ende der Sandbox wartet, verschenkt sechs Monate Vertrauensaufbau.

Quellen

• Agenturtipp.de: SEO-Contest 2026, das sind die Gewinner (Juli 2026)
• Mike King (iPullRank): Secrets from the Google Algorithm Leak (Mai 2024)
• Rand Fishkin (SparkToro): An Anonymous Source Shared Thousands of Leaked Google Search API Documents (Mai 2024)
• Search Engine Land: Google responds to leak, documentation lacks context (Mai 2024)
• Roger Montti (Search Engine Journal): Mueller mentions Google Sandbox and Honeymoon ranking effects (Mai 2021)
• Barry Schwartz (Search Engine Roundtable): Google Sandbox? Nope. (August 2019, dokumentiert auch das Illyes-Dementi von 2016)
• Patrick Stox (Ahrefs): How Long Does It Take to Rank in Google? (Mai 2025)

Die Spurensuche hat einen Bug zutage gefördert, den vor uns offenbar niemand öffentlich dokumentiert hat. OpenAIs eigener HTTP/2-Client verschickt kaputte Requests, und der Webserver OpenLiteSpeed quittiert sie mit einer 404-Seite. Wir haben die Ursache byte-genau nachgewiesen, einen Fix gebaut und ihn noch am selben Tag auf fünf Server ausgerollt. Geblieben ist eine unbequeme Erkenntnis: Deine Sichtbarkeit in ChatGPT entscheidet sich eine Ebene tiefer, als die ganze Debatte um KI-Sichtbarkeit hinschaut.

Eine Log-Zeile, die es so gar nicht geben dürfte

Hunderte Zeilen im Access-Log sahen so aus:

"GET    /schema-strukturierte-daten/ HT2" 404 711

An der Log-Zeile stimmen drei Dinge nicht. Zwischen Methode und Pfad stehen vier Leerzeichen statt einem. Das Protokoll-Feld lautet HT2 statt HTTP/2. Und die Antwort hat immer exakt 711 Bytes, das ist die interne 404-Seite von OpenLiteSpeed. WordPress hat die OpenAI-Requests nie zu Gesicht bekommen, sie sind schon in der Routing-Schicht des Webservers gestorben.

Die Auswertung über neun Tage, abgeglichen gegen die offiziellen IP-Listen von OpenAI:

In eine Falle wäre ich dabei fast getappt: Sechs Requests mit ChatGPT-User im User-Agent sahen im Rohlog nach Erfolg aus. Alle sechs kamen von Spoofern, also von gefälschten Absendern außerhalb der offiziellen OpenAI-Ranges. Pro-Tipp: Verifiziere Bot-Traffic grundsätzlich gegen die offiziellen IP-Listen, bevor du Schlüsse ziehst. Gefälschte ChatGPT-User-Agents sind im Log eher die Regel als die Ausnahme.

Welcher OpenAI-Bot macht eigentlich was?

OpenAI dokumentiert inzwischen vier Crawler: GPTBot, OAI-SearchBot, ChatGPT-User und OAI-AdsBot, wobei der letzte ausschließlich Anzeigen-Landingpages prüft. Für deine Sichtbarkeit in LLMs zählen die ersten drei, und einer davon ganz besonders. GPTBot sammelt Trainingsdaten für künftige Modelle. OAI-SearchBot baut den Suchindex auf, aus dem die ChatGPT-Suche ihre Kandidaten zieht. ChatGPT-User ist der Live-Fetcher. Er ruft Seiten in dem Moment ab, in dem ein Nutzer eine Frage stellt. Aus solchen Live-Abrufen entstehen Zitate und Quellen-Links in der Antwort.

Cloudflare hat das Verhältnis in der Auswertung „The crawl-to-click gap“ vermessen: rund 80 % des AI-Crawlings sind Training, 18 % Suche, magere 2 % entfallen auf nutzerinitiierte Live-Abrufe. Das heißt: ChatGPT-User ist der seltenste der drei Bots und gleichzeitig der einzige, der dich direkt in eine Antwort bringt. Ausgerechnet ChatGPT-User stand bei uns auf 100 % Fehlquote, während der Trainings-Crawler fast fehlerfrei durchlief. Wer nur pauschal prüft, ob „OpenAI“ die Website crawlt, bekommt deswegen ein fatal falsches Bild.

Pikant am Rande: Für ChatGPT-User gilt laut OpenAI-Doku nicht einmal zwingend die robots.txt, weil Nutzer die Abrufe auslösen. Über die robots.txt lässt sich ChatGPT-User also weder zuverlässig einladen noch aussperren. Umso wichtiger ist es, dass der Bot technisch überhaupt durchkommt.

Die Ursache, byte-genau

Warum loggt ein Webserver HT2 statt HTTP/2? Weil die Request-Line schon kaputt beim Server ankommt. Der Hexdump zeigt den Grund schwarz auf weiß:

47 45 54 20 20 20 20 2f 20 48 54 32
G  E  T  ␣  ␣  ␣  ␣  /  ␣  H  T  2      (0x20 = Leerzeichen)

OpenAI sendet im HTTP/2-Header :path führende Leerzeichen, also zum Beispiel :path = " /schema-strukturierte-daten/". RFC 9113, der HTTP/2-Standard, verbietet genau das. Ein solcher Request gilt als malformed, der Server muss ihn als Protokollfehler zurückweisen, und die übliche saubere Antwort dabei ist ein Status 400. OpenLiteSpeed macht nichts davon. Der Server reicht den Pfad ungeprüft in seine Routing-Schicht weiter. Dort findet er keine Route, die mit Leerzeichen beginnt, und liefert die eigene 404-Seite aus. Im error.log steht der entscheidende Satz:

No context found for URI: [   /schema-strukturierte-daten/]

Reproduzieren lässt sich der Fehler erstaunlich einfach. Ich habe mit der Python-Bibliothek h2 zwei Test-Requests gebaut, einen mit abgeschalteter Header-Normalisierung und einen mit dem Standard-Verhalten. Die rohen Leerzeichen-Bytes ergaben 404. Der normalisierte Request bekam 200, weil die Bibliothek den Pfad vor dem Senden selbst trimmt. Übliche Client-Bibliotheken normalisieren auf diese Weise. Googlebot, Bingbot, ClaudeBot und PerplexityBot laden dieselben Seiten in unseren Logs völlig problemlos, nur der HTTP/2-Stack von OpenAI fällt aus der Reihe.

Was am ChatGPT-Ausfall alles unschuldig war

Vor dem Eingriff haben wir vier Verdächtige einzeln entlastet: das eigene WordPress-Setup, die OpenLiteSpeed-Version, den Webserver als Kategorie und unseren eigenen Server. Das Vorgehen war jeweils gleich: These aufstellen, Gegenexperiment bauen, Ergebnis messen. Die Ausschluss-Arbeit war letztlich der aufwendigste Teil, und sie hat gezeigt, dass das Problem größer ist als gedacht.

WordPress, Plugins, Server-Config

Der erste Verdacht fällt bei so einem Muster in der Regel auf das eigene Setup. Doch ein zweiter, komplett anders aufgesetzter Server zeigte exakt dasselbe Bild: serponado.org, unsere Domain für den SEO-Contest 2026 rund ums Keyword Serponado. Dort läuft pures statisches HTML, kein WordPress, kein PHP, ein manuell konfigurierter vHost. Trotzdem stand dieselbe HT2-Signatur im Log, und der OAI-SearchBot scheiterte sogar am Abruf der robots.txt. Für eine Contest-Domain, die von ChatGPT zitiert werden soll, ist das ein Totalschaden. Zwei Server, zwei komplett verschiedene Setups, ein identisches Fehlerbild: Der Bug hängt allein an der Kombination aus OpenAI-Fetcher und OpenLiteSpeed, nicht an unserem Stack.

Die OpenLiteSpeed-Version

Zweiter Kandidat: eine veraltete Server-Version. Wir haben zwei blanke OpenLiteSpeed-Container aufgesetzt, einmal 1.8.5 und einmal 1.9.0, identische Config, und beide mit denselben kaputten Frames beschossen. Beide Versionen verhielten sich exakt gleich. Der saubere Pfad bekam 200, der Leerzeichen-Pfad 404, in beiden Containern. Die Hoffnung auf ein rettendes Update kannst du dir also sparen.

Der Webserver selbst

Dritter Kandidat: OpenLiteSpeed als Sonderfall. Dieselben malformten Requests haben wir auch gegen nginx und gegen die Cloudflare-Edge gejagt. Beide antworten mit Status 400. Das ist RFC-konform, hilft dem Bot aber kein Stück, er bleibt genauso blind. Ein Serverwechsel tauscht nur den Statuscode. Aus der LiteSpeed-Geschichte wird damit ein Web-Problem: Der kaputte Request scheitert auf jedem von uns getesteten Stack und hinterlässt nur unterschiedlich gut sichtbare Spuren.

Wir selbst

Der vierte Verdächtige war unser eigener Server, der die Requests theoretisch selbst hätte verstümmeln können. Dagegen spricht ein sauberer Kontrollbefund: Alle HTTP/1.1-Requests echter OpenAI-IPs sind wohlgeformt, sogar die kaputte Leerzeichen-URL kommt über HTTP/1.1 korrekt encodiert an. Der Defekt sitzt ausschließlich im HTTP/2-Pfad des OpenAI-Stacks. Auffällig oft folgen die Fehler-Requests übrigens direkt auf einen 301-Redirect. Unser Verdacht, und mehr als ein Verdacht ist es Stand heute nicht: Das Redirect-Following von OpenAI baut den neuen Pfad fehlerhaft zusammen.

Wie groß das Problem wirklich ist

Die LiteSpeed-Familie liegt laut W3Techs bei 15,2 % der Websites mit bekanntem Webserver, das sind Millionen potenziell betroffener Hosts mit derselben 404-Signatur wie bei uns. Auf nginx- und Cloudflare-Setups erzeugt derselbe Client-Bug 400er, die in keinem SEO-Report auftauchen und im Log-Rauschen untergehen. Wie viele Websites gerade ChatGPT-Zitate an diesen Bug verlieren, weiß deswegen schlicht niemand, auch OpenAI vermutlich nicht. Ehrlicherweise ist genau diese Unsicherheit der unangenehme Teil des Befunds.

Der Traffic der OpenAI-Crawler wächst unterdessen rasant. Der US-SEO Chris Long hat für Botify mehr als sieben Milliarden Log-Events ausgewertet. Sein Befund: OpenAI hat das Crawling seit dem GPT-5-Launch glatt verdreifacht, allein der OAI-SearchBot legte um Faktor 3,5 zu. Cloudflare meldete schon für das Jahr bis Mai 2025 ein GPTBot-Wachstum von 305 %. Die Abrufe von ChatGPT-User, also genau des Fetchers, der bei uns auf 100 % Fehlquote stand, legten im selben Zeitraum um 2.825 % zu. Der am schnellsten wachsende Abruf-Typ war bei uns der einzige, der gar nicht ankam. Die Zugriffe, um die es hier geht, sind also kein Nischen-Traffic mehr, sondern der Kanal, über den deine Inhalte in ChatGPT-Antworten landen. Bei ChatGPT als Suchsystem ist der Live-Abruf der Moment, in dem über ein Zitat entschieden wird.

Die gängigen Ratgeber für GEO (Generative Engine Optimization) drehen sich derweil um robots.txt-Freigaben, Schema-Markup, Content-Struktur und neuerdings llms.txt. Robots.txt, Schema und Content-Struktur sind legitime Baustellen, wir beackern sie selbst bei jedem Kundenprojekt. Doch kein einziger der Guides, die ich mir angeschaut habe, stellt die vorgelagerte Frage, ob die Requests der Bots überhaupt heil auf deinem Server ankommen. Die blinde Stelle der Guides folgt der Cost-of-Retrieval-Logik in ihrer härtesten Form. Wenn der Abruf scheitert, sind die Kosten des Abrufs unendlich, und der beste Content der Welt ändert daran nichts.

Es gibt eine zweite Hürde auf dieser Transport-Ebene, und die trifft auch Server ohne den HTTP/2-Bug: die Antwortzeit. Der Live-Fetcher wartet nicht beliebig lange. Serverlog-Analysen zeigen Abbrüche schon ab etwa 500 bis 800 Millisekunden, im Log sichtbar als vorzeitig beendete Verbindung, auf nginx als Status 499. Googlebot kommt bei einer langsamen Antwort später wieder, der Live-Abruf von ChatGPT kennt diesen zweiten Versuch nicht. Der Web-Performance-Experte Max Böhme hat diese Antwortzeit-Schwelle für AI-Crawler im Detail aufbereitet. Die Protokoll-Ebene davor, an der wir hängengeblieben sind, bleibt allerdings auch dort außen vor. Beide Hürden enden gleich: Der Bot geht ohne deinen Inhalt, und kein Standard-Tool schlägt Alarm.

Wie merkst du als Betreiber, dass ChatGPT deine Website nicht abrufen kann? In der Regel merkst du den Ausfall gar nicht. Dein Server meldet nichts, aus seiner Sicht ist eine 404-Antwort Alltag. Dein Uptime-Monitoring testet mit sauberen Clients und sieht fröhlich 200er. Die Search Console schweigt sowieso, Google ist an dieser Stelle gar nicht beteiligt. Bleibt das Access-Log. Dort steht der Schaden schwarz auf weiß, aber nur, wenn du gezielt danach suchst.

Der Befund in einem Satz: OpenAI crawlt so viel wie nie, ausgerechnet der zitatrelevante Fetcher scheitert still auf einem Teil des Webs, und kein Standard-Monitoring zeigt den Ausfall an.

Der Fix: eine HTTP/1.1-Gasse nur für OpenAI

Aus dem Kontrollbefund folgt die Lösung fast von selbst. Wenn der HTTP/1.1-Pfad der OpenAI-Bots nachweislich sauber ist, müssen genau diese Bots auf HTTP/1.1, und zwar nur sie. HTTP/2 global abzuschalten wäre ein Performance-Eigentor für alle echten Besucher. Rewrite-Regeln und ModSecurity greifen nicht, weil der Request schon in der Routing-Schicht davor stirbt. Ein IP-Block wäre das Gegenteil des Ziels.

Die Architektur, wir nennen sie intern die OpenAI-h1-Gasse:

Im Kern sind das vier Bausteine. Eine Firewall-Regel leitet Port 443 nur für die rund 300 offiziellen OpenAI-IP-Bereiche auf einen lokalen HAProxy um. Der Proxy bietet im TLS-Handshake per ALPN (Application-Layer Protocol Negotiation, der Protokollwahl beim Verbindungsaufbau) ausschließlich http/1.1 an, damit fällt der OpenAI-Client von selbst auf seinen fehlerfreien Code-Pfad zurück. Danach geht die Verbindung verschlüsselt weiter an OpenLiteSpeed, der dank X-Forwarded-For weiterhin die echte Bot-IP loggt. Und ein täglicher Timer hält IP-Listen und Zertifikate frisch. Für normale Besucher ändert sich exakt nichts, ihr Traffic berührt den Proxy nie. Der Rollback besteht aus dem Entfernen von zwei Firewall-Regeln und dauert Sekunden, falls doch mal etwas klemmt.

Auf einem nginx-Server haben wir dieselbe Idee ohne HAProxy umgesetzt, über einen zweiten Listener-Socket ohne HTTP/2 und eine nftables-Umleitung. Das Prinzip bleibt gleich: Protokoll-Downgrade nur für die Bots, die es brauchen.

Der Beweis im Log

Dieselbe URL, derselbe Bot, derselbe Tag:

vorher:        "GET    /schema-strukturierte-daten/ HT2" 404 711
ab 12:57 Uhr:  "GET /schema-strukturierte-daten/ HTTP/1.1" 200 35929

Ausgelöst haben wir den Live-Abruf gezielt über die OpenAI-API mit aktivierter Websuche, im Access-Log stand er als ChatGPT-User von einer offiziellen OpenAI-IP. Die Antwort zitierte die Überschrift und den ersten Satz der Seite, wörtlich korrekt. Ich gebe zu, das war ein zufriedenstellender Moment. Noch am selben Tag ging die Gasse auf vier weitere Server, darunter zwei mit zuvor 45 und 76 fehlgeschlagenen OpenAI-Abrufen pro Tag. Jeden einzelnen Rollout haben wir mit einem Live-Abruf einer zuvor gescheiterten URL verifiziert. Von der Entdeckung bis zum Fix auf allen fünf Servern verging insgesamt ein Arbeitstag.

Die Wurzel des Problems können wir von außen nicht beheben, die sitzt im HTTP/2-Client von OpenAI. Dass der größte KI-Anbieter der Welt seit Wochen RFC-widrige Requests verschickt und es offenbar niemandem auffällt, ist für mich die eigentliche Pointe der Geschichte. OpenLiteSpeed trifft eine Mitschuld. Malformte Requests gehören RFC-konform als Protokollfehler abgewiesen, und mit einer sauberen 400 statt der irreführenden 404-Seite wäre das HT2-Muster vermutlich schon vor Monaten jemandem aufgefallen. Wir haben bis zum 10. Juni 2026 keine öffentliche Dokumentation dieses Fehlerbilds gefunden.

So prüfst du deinen eigenen Server

Auf OpenLiteSpeed und LiteSpeed genügt ein Blick ins Access-Log, das Token HT2 ist der Suchanker:

grep -F ' HT2"' access.log | grep -E 'ChatGPT-User|OAI-SearchBot|GPTBot'

Jeden Treffer anschließend gegen die offiziellen OpenAI-IP-Listen prüfen, die Adressen stehen in drei JSON-Dateien auf openai.com. Findest du von OpenAI-IPs stattdessen 403er, blockt eine Firewall oder ein Bot-Schutz die Crawler. Das ist ein eigenes Problem, denn der HTTP/2-Bug zeigt sich als 404 oder 400. Auf nginx, Cloudflare und vergleichbaren Stacks fehlt der HT2-Marker, dort suchst du nach 400er-Antworten an verifizierte OpenAI-IPs. Pro-Tipp: Den Live-Abruf kannst du jederzeit selbst auslösen. Gib ChatGPT mit aktivierter Websuche den Auftrag, eine konkrete URL deiner Website zu öffnen und die H1 zu zitieren. Beobachte parallel dein Access-Log. Kommt in der Antwort ein korrektes Zitat und im Log ein 200er der echten OpenAI-IP an, bist du sauber.

Vielleicht kommt der OAI-SearchBot bei dir sauber durch und deine Seiten tauchen trotzdem in keiner ChatGPT-Antwort auf. Dann liegt ein anderes Problem vor, nämlich ein Indexierungs- oder Relevanz-Thema. Wie du gezielt in die Suchindexe der LLM-Systeme kommst, haben wir im Beitrag zur Indexierung für LLM-Sichtbarkeit aufgeschrieben.

Häufige Fragen zum ChatGPT-Crawler

Quellen

• OpenAI: Overview of OpenAI Crawlers (offizielle Bot-Dokumentation)
• OpenAI: IP-Ranges ChatGPT-User, OAI-SearchBot, GPTBot
• RFC 9113: HTTP/2 (IETF-Standard, Abschnitte 8.2.1 zu Feld-Werten und 8.3.1 zu Pseudo-Headern)
• Botify: OpenAI Has Tripled Their Crawl of the Web (Chris Long, April 2026)
• Cloudflare: From Googlebot to GPTBot (Juli 2025)
• Cloudflare: The crawl-to-click gap (August 2025)
• W3Techs: Usage Statistics of LiteSpeed (Stand Juni 2026)

Der Blog war von rund 1.400 auf über 3.000 Klicks im Monat gewachsen, in Spitzenmonaten sogar über 5.000. Die Shop-Seiten dagegen, also Kategorien und Produkte, blieben das ganze Jahr bei rund 1.000 bis 1.300 Klicks. Und genau mit den Seiten verdient der Shop sein Geld. Gewachsen war nur der Blog, und das auch nur, weil der Geschäftsführer die Artikel am Ende selbst geschrieben hat.

So arbeiten bis heute eine Menge Agenturen. Im E-Commerce bringt das Programm trotzdem keinen einzigen Käufer mehr. Onlineshop-SEO scheitert fast nie an zu wenigen Blogartikeln. Es scheitert an der Reihenfolge.

Die meisten Shops optimieren in der falschen Reihenfolge

Die übliche Logik im Onlineshop-SEO (SEO = Suchmaschinenoptimierung) geht so: Erst Content im Blog, dann ein paar Backlinks. Um die Kategorieseiten kümmert man sich irgendwann, vielleicht. Ich drehe das komplett um. Im E-Commerce zählt zuerst die Struktur, dann die Datenqualität, dann die Marke. Blog und Backlinks kommen ganz am Ende, wenn überhaupt.

Die Reihenfolge ist deshalb so radikal, weil die ersten drei Hebel direkt auf die Seiten wirken, die verkaufen, und die letzten beiden meistens nicht. Ein Blogpost über „5 Tipps für besseres Trinkwasser“ rankt vielleicht ordentlich, aber er verkauft keinen Wasserfilter. Eine Kategorieseite, die für das richtige Keyword auf Position 3 steht, tut genau das.

Die Pyramide: Startseite, Kategorie, Produkt, Blog

Die SEO-Hierarchie in einem Onlineshop hat vier Ebenen, von wichtig nach unwichtig: Startseite, Kategorieseiten, Produktseiten, Blogposts. Der Link Juice fließt von oben nach unten, und jede Ebene gibt einen Teil davon weiter. Stell dir deinen Shop als Pyramide vor: ganz oben die Startseite mit der meisten internen Linkpower, ganz unten der Blog.

Unabhängig vom Shopsystem bleibt das Prinzip gleich. Ich habe die Hierarchie über die Jahre in WooCommerce, Shopware, Shopify und xt:commerce gesehen, in einigen Fällen in Shops, die ich selbst aufgebaut habe. Genau daher kommt meine technische Sicht auf das Thema: aus der eigenen Umsetzung, nicht aus der Theorie. Die Technik unterscheidet sich von System zu System, die Logik dahinter nicht.

Die Hierarchie ist keine theoretische Spielerei. Wenn deine Startseite am meisten Linkpower hat und du von dort direkt auf einen Blogpost verlinkst, dann subventionierst du die unwichtigste Seite im ganzen Shop. Die Kategorien, die eigentlich ranken müssen, gehen leer aus. Die Hierarchie zu verstehen ist der erste Schritt, und die meisten überspringen ihn.

Die Startseite hat genau zwei Aufgaben

Die Startseite ist keine Keyword-Landingpage. Sie soll nicht für irgendeinen Hauptbegriff ranken, sondern erfüllt für mich genau zwei Funktionen.

Erstens verteilt sie Link Juice auf die Kategorien. Das passiert über Sektionen im Content-Bereich, jeweils mit einer H2-Überschrift, einem kurzen Absatz und einem Button in die Kategorie. Ganze Sektionen statt einfacher Links deshalb, weil Überschrift und Absatz dem Link Kontext geben. Google liest daraus, worum es bei der verlinkten Kategorie geht, und gewichtet ihn höher als einen nackten Link ohne den Rahmen.

Der Content-Bereich ist dabei der wichtigste Teil der Seite. Was du dort weit oben verlinkst, ist für Google das wichtigste Ziel deiner Startseite. Navigation, Sidebar und Footer zählen kaum, da kannst du verlinken, was du willst.

Zweitens ist die Startseite das Schaufenster der Marke. Die Startseite beantwortet, wer du bist, was du machst und warum jemand bei dir kaufen sollte statt beim Nächsten. Die Einordnung brauchst du nicht nur für den Besucher, sondern auch für Google und für die LLMs, die deine Marke als Entität verstehen müssen.

Was das in der Praxis bewirkt, haben wir bei einem anderen Shop-Kunden gemessen. Vorher bestand dessen Startseite oben fast nur aus verlinkten Bannern, fast ohne Text. Der eigentliche Inhalt stand als klassischer SEO-Block ganz unten, wo ihn kaum jemand liest und Google ihn entsprechend gewichtet. Wir haben das Mitte 2025 umgedreht: oben in den Content-Bereich eine Sektion pro Kategorie aus Überschrift, kurzem Text und Button. So lenkt die Startseite den Link Juice gezielt auf die Kategorien. Bis zum Jahresende stiegen die Klicks auf die Shop-Seiten von rund 11.500 auf über 21.000 im Monat.

Pro-Tipp: Bevor du eine einzige Zeile Startseiten-Text schreibst, leg fest, welche fünf bis sieben Kategorien dort als Sektionen auftauchen. Die Auswahl ist deine wichtigste interne Verlinkungs-Entscheidung im ganzen Shop.

Warum Kategorien vor Produkten kommen

Jetzt der Teil, an dem sich die Geister scheiden. Die Produkte sind mir nicht egal, im Gegenteil, sie sind das, was am Ende im Warenkorb landet. Aber hierarchisch führe ich den Link Juice lieber über die Kategorien, weil die in der Regel besser ranken als einzelne Produkte.

Der Grund liegt in der Natur der meisten Shops. Sehr viele verkaufen Ware, die sie selbst einkaufen oder per Dropshipping vertreiben. Solche Produkte sind vergleichbar, in einem anderen Shop könnten es sogar exakt dieselben sein, mit demselben Herstellertext. Wenn du dann zehn ähnliche Produkte hast, die alle für dasselbe Keyword ranken wollen, blockieren sie sich gegenseitig in der Google-Suche. Das ist Keyword-Kannibalisierung, und sie ist kein Algorithmus-Problem, sondern ein Planungsproblem.

Eine starke Kategorie, die für das Keyword rankt, ist in der Situation die bessere Idee. Ein Dutzend austauschbarer Produktseiten macht sich nur gegenseitig die Rankings streitig. Die Kategorie bündelt die Relevanz, statt sie zu zerstreuen.

Produkte trotzdem optimieren

So weit, Produktseiten zur verschenkten Mühe zu erklären, würde ich nicht gehen. Wenn die Ressourcen da sind, gehören Produktseiten optimiert, und zwar mit eigenen Texten statt der Hersteller-Boilerplate, die wortgleich in fünfzig anderen Shops steht.

Priorisierung ist der Punkt, nicht Entweder-oder. Bei einem Shop mit wenigen, einzigartigen Eigenmarken-Produkten würde ich sofort in die Produkttexte investieren. Bei einem Shop mit tausenden vergleichbaren Artikeln stärke ich erst die Kategorien und kümmere mich um die Produkte, wenn die Basis steht. Ehrlicherweise kommt man bei großen Sortimenten oft gar nicht dazu, jedes Produkt einzeln zu betexten, und das ist auch in Ordnung.

Blogposts unterbauen den Shop, sie tragen ihn nicht

Der Blog steht ganz unten in der Pyramide, und das ist keine Abwertung, sondern eine Funktionsbeschreibung. Ein guter Blogpost rankt für ein Nischenthema, das es sonst kaum im Netz gibt. Er braucht dafür wenig Link Juice und kaum Backlinks, er rankt einfach, weil das Thema unterversorgt ist.

Seit 2024 brechen die rein informationellen Klicks aus der Google-Suche zunehmend weg. Fragen, die früher zum Klick auf einen Blogpost geführt haben, beantwortet Google heute direkt in den Suchergebnissen. Das heißt: Blogposts, die einzig auf Klick-Maximierung zielen und sonst inhaltlich dünn bleiben, bringen immer weniger.

Die Aufgabe des Blogs ist es, Traffic einzusammeln und ihn über interne Links nach oben weiterzugeben, also auf Kategorien und Produkte. Blogposts verlinken nach oben, nicht andersherum. Von der Startseite, von der Kategorieseite oder von der Produktseite auf einen Blogpost zu verlinken, wäre genau verkehrt. Im schlimmsten Fall landet ein Besucher auf der Kategorie, biegt in den Blog ab und bleibt dort hängen. Am Ende schließt er den Tab, ohne je ein Produkt gesehen zu haben.

Kategorieseiten richtig aufbauen

Wenn Kategorieseiten die wichtigsten Seiten im Shop sind, dann lohnt sich ein genauer Blick darauf, wie sie aussehen sollten. Der häufigste Fehler, den ich in Audits sehe: Die Kategorie startet direkt mit den Produkten. Keine H1, kein Text, nichts. Für mich ist das ein klarer Fehler.

Eine Kategorieseite braucht eine H1 und einen kurzen Einführungstext, bevor die Produkte kommen. Unter den Produkten darf noch etwas mehr Text stehen. Aber, und das ist die Nuance, die fast alle übersehen: Es soll keine SEO-Bleiwüste sein. Kein zehntausend Zeichen langer Keyword-Teppich in winziger Schrift, den ohnehin niemand liest.

Was stattdessen hingehört, ist nützlicher Inhalt. Die Fragen, die Kunden im Vertrieb wirklich stellen, gehören in ein FAQ. Die relevanten Informationen zu einer Produktgruppe gehören in den Text. Die meisten Kategorietexte sind nicht deshalb zu dünn, weil 100 Wörter zu wenig für SEO wären. Sie sind zu dünn, weil 100 Wörter die relevanten Informationen zu einer Produktgruppe nicht transportieren können.

Pro-Tipp: Der beste Content für eine Kategorieseite kommt aus dem Sales-Team, nicht aus dem Keyword-Tool. Frag deinen Vertrieb, welche drei Fragen vor dem Kauf am häufigsten kommen. Das ist dein FAQ.

Ein technischer Punkt, der oft untergeht: Kategorieseiten ohne warmen Cache sind vier- bis achtmal langsamer als mit Cache. Bei einem Shopware-Kunden haben wir 900 Millisekunden TTFB (Time to First Byte) gemessen, weil jeder Seitenaufruf 48 Produkte plus Topseller ungecacht aus der Datenbank lud. Genau die langsame Version bekommt der Googlebot zu sehen, wenn er vorbeischaut. Wie sehr Ladezeit und Crawling zusammenhängen, habe ich im Beitrag zu den Cost of Retrieval ausführlicher beschrieben.

Damit ist die technische Seite natürlich nicht erschöpft. Faceted Navigation und Filter-URLs fressen Crawl-Budget. Dazu kommen die Steuerung von Pagination, saubere Canonicals für Produktvarianten, der Umgang mit ausverkauften Artikeln und die Core Web Vitals, alles eigene Baustellen. Das gehört in jeden Shop, der ernsthaft ranken will. Aber es ist das Feintuning, das nach der Struktur kommt, nicht der erste Hebel.

Organische Suche und KI-Empfehlung folgen verschiedenen Regeln

Seit 2026 läuft parallel zur klassischen Google-Suche eine zweite Logik, die anderen Regeln folgt. Wenn jemand ChatGPT oder Perplexity nach einer Produktempfehlung fragt, entscheidet nicht deine Kategorie-Hierarchie, wer empfohlen wird. Dann entscheiden deine Produktdaten.

In der organischen Suche gewinnt die Struktur, die wir gerade beschrieben haben. In der KI-Empfehlung gewinnt der Feed. Das sind zwei getrennte Disziplinen, und du musst beide bedienen.

Die Mechanik dahinter ist kein Rätsel. ChatGPT stützt seine Produktempfehlungen auf strukturierte Produktdaten: aus Merchant-Feeds, aus der Shopify-Catalog-Anbindung und aus der Auszeichnung auf der Produktseite selbst. In der Praxis zählen vor allem vier Signale:

• Vollständigkeit des Produktfeeds (GTIN, Preis, Attribute)
• Klarheit von Titel und Beschreibung (was ist das Produkt, für wen)
• Schema auf Varianten-Ebene (Verfügbarkeit, Bewertung, Marke)
• Aktualität und Menge der Reviews

Perplexity bindet über die Shopify-Catalog-API strukturierte Produktdaten (API = Application Programming Interface) ein und baut seine Produktkarten unter anderem aus Kundenbewertungen. Der gemeinsame Nenner: ChatGPT und Perplexity raten nicht blind wie eine klassische Suchmaschine, sie arbeiten mit strukturierten Daten. Was bei dir sauber im Feed und im Schema steht, können sie empfehlen, der Rest bleibt eher außen vor.

Eine Erkenntnis, die viele Shops verschlafen: Der Merchant-Center-Feed ist 2026 kein reines Ads-Thema mehr. Er speist die organischen Shopping-Listings (die kostenlosen Free Listings) in der Google-Suche und die Kaufempfehlungen in den KI-Systemen, auch ohne einen Euro Anzeigenbudget. Und wenn dein Feed und dein Product-Schema sich widersprechen, verschenkst du Vertrauen auf beiden Seiten.

Der Merchant-Center-Feed wird zum organischen Hebel

Genau hier liegt für mich ein echter Hebel. Ich baue den Feed bei unseren Shop-Kunden so weit wie möglich aus und gebe Google möglichst viele Informationen. Das ist Arbeit, die die meisten Wettbewerber sich sparen. Genau deshalb ist der Vorsprung relativ leicht zu holen. Welche Rolle strukturierte Daten dabei genau spielen, habe ich im Beitrag zu Schema und strukturierten Daten aufgeschlüsselt.

Die Richtung wird gerade greifbar. Google hat Anfang 2026 das Universal Commerce Protocol (UCP) gestartet, einen offenen Standard für den Kauf direkt in der Google-Suche oder im AI Mode. Der Kunde landet dabei nie im Shop. Die Grundlage dafür ist genau dein Merchant-Center-Feed: Ist er sauber, vollständig und trägt das Attribut native_commerce, kann Google deine Produkte mit einem Buy-Button ausspielen. Fehlt das, taucht der Button gar nicht erst auf.

Für deutsche Shops lässt sich das noch nicht umsetzen, da es derzeit nur für Händler in den USA läuft. Kanada, Australien und Großbritannien sind angekündigt, für die EU gibt es bislang keinen Termin, und WooCommerce war zum Start nicht dabei. Aber die Vorarbeit ist dieselbe, die ich oben beschrieben habe: ein vollständiger Feed mit GTINs, sauberen Produktdaten und konsistentem Schema. Wer das jetzt erledigt, steht ganz vorne, wenn der Checkout in der Suche auch hier ankommt. Und es verschärft den Punkt von vorhin: Erst sind die rein informationellen Klicks weggebrochen. Jetzt kann sogar der Kauf in Google selbst stattfinden, ohne dass jemand deinen Shop betritt.

Der SEO-Analyst Kevin Indig bringt es auf einen Punkt: „For marketplaces, SEO is product design.“ Er nennt drei Eigenschaften für die KI-Sichtbarkeit. Schnelle Ladezeiten unter 200 Millisekunden, sauberes Schema für Produkte und Reviews, und Listings, die wie eine kleine Antwort funktionieren. Das deckt sich mit dem, was wir in der Praxis sehen.

Wie unterschiedlich beide funktionieren, zeigt sich an den AI Overviews. In den KI-Antworten zitiert zu werden und organisch in den Top 10 zu ranken folgen jeweils einer eigenen Logik. Ein erheblicher Teil der dort zitierten Seiten steht in der klassischen organischen Suche gar nicht vorne. Wer also nur aufs Ranking schaut, übersieht die halbe Sichtbarkeit.

Keywords waren die Brückentechnologie der letzten 20 Jahre

Keywords waren 20 Jahre lang ein Behelf: ein kurzer Begriff, auf den man eine Seite optimiert, weil Suchmaschinen die echte Suchabsicht nicht besser verstehen konnten. Den Glaubenssatz halte ich im Onlineshop-SEO für überholt. Ich denke lieber in Themen, und zwar aus einem einfachen Grund: Die Zielgruppe denkt auch in Themen.

Klar sucht jemand einen Wasserfilter. Aber in der Regel sucht er nicht einfach „Wasserfilter“, sondern einen Untertisch-Wasserfilter zum Filtern von Schwermetallen für seine konkrete Wohnsituation. Je näher du an das echte Kaufproblem herankommst, desto besser bedienst du den Kunden. Wer nur auf das kurze Keyword optimiert, lässt die eigentliche Kaufabsicht liegen.

Durch die LLMs verstärkt sich das gerade massiv. Menschen geben mittlerweile längere Queries und ganze Prompts ein, weil sie gemerkt haben, dass sie damit bessere, passendere Antworten bekommen. Die Brückentechnologie Keyword hat damit ihren Zweck erfüllt. Wie sich das auf die Recherche-Arbeit auswirkt, habe ich im Beitrag zu Topic-Research statt Keyword-Recherche beschrieben.

GEO für Shops: zuerst Marke, dann Content

Shop-Betreiber fragen mich gerade am häufigsten, ob sich die Optimierung für KI-Suchmaschinen überhaupt schon lohnt. Sie lohnt sich, aber nur in 2 Schritten: zuerst die Marke, dann der Content. Wer hier mit Content anfängt, bevor die Marke steht, verschwendet Zeit.

Am Anfang steht sauberes Brand Building. Eine Exact-Match-Domain wie bester-wasserfilter-shop.de bringt dir dafür wenig, dieses Modell hat ausgedient. Was zählt, sind echte Unterscheidungsmerkmale zu anderen Shops und Traffic aus verschiedenen Kanälen. Dazu kommen Bewertungen auf vielen unterschiedlichen Plattformen statt nur auf einer und viele Präsenzen im Internet, also Citations. Erst wenn deine Marke als Entität sauber im Netz steht, kann ein LLM (Large Language Model) sie überhaupt zuverlässig nennen.

Wie stark das wirkt, haben wir an einem eigenen Experiment gesehen. In einem LLM-Sichtbarkeitswettbewerb haben wir ein erfundenes Keyword als Marke etabliert und sehr präzise definiert, was diese Marke ist. Am Ende standen 199 Erwähnungen in Perplexity und Claude, deutlich vor dem nächsten Konkurrenten mit 131. Der entscheidende Faktor war nicht die Menge an Content, sondern die saubere, eindeutige Definition der Marke als Entität.

2026 haben wir die Strategie wiederholt und den SEO-Contest gewonnen: Platz 1 mit einer brandneuen Domain, gestartet bei Domain Rating 0. Der komplette Entity-Aufbau aus Schema, Definition, Citations und Bewertungen stand in Tagen statt Monaten und glich das fehlende Domain-Alter aus, zum zweiten Mal in Folge Treppchen. Der Sieg kam aus der Entity-Arbeit, nicht aus dem Domainnamen. Den kompletten Ablauf zeigt der Beitrag zur Google Sandbox.

Erst danach kommt der Content, der im besten Fall von LLMs zitiert wird. Aber die Reihenfolge ist entscheidend: zuerst als Marke genannt werden, dann zitierfähig schreiben. Wer das umdreht und mit Content anfängt, ohne dass die Marke steht, optimiert ins Leere. Den Unterschied zwischen genannt und zitiert werden habe ich in Mentions vs. Citations genauer auseinandergenommen, und warum gute Bewertungen dabei mehr zählen als ihre schiere Masse, steht im Beitrag zum Bewertungsmanagement.

Die richtige Reihenfolge für deinen Shop

Die richtige Reihenfolge für einen Onlineshop hat vier Schritte: erst die Struktur, dann die Kategorieseiten, dann die Produktdaten, zuletzt Marke und Content.

Zuerst die Struktur am Reißbrett. Zeichne die Pyramide einmal in Miro oder Figma: Startseite, Kategorien, Produkte. Leg fest, welche Seite für welches Keyword ranken soll, und löse die Kannibalisierung zwischen Produkten und Kategorien auf, bevor du Content schreibst.

Dann die Kategorieseiten. H1, ein Einführungstext vor den Produkten, ein FAQ aus echten Vertriebsfragen. Dazu warmer Cache, damit der Googlebot nicht die langsamste Version deiner Seite erwischt.

Danach die Produktdaten. Bau den Merchant-Center-Feed maximal aus, sorg für vollständiges Product-Schema auf Varianten-Ebene und dafür, dass Feed und Seite dieselbe Sprache sprechen. Das ist dein Eintrittsticket in die KI-Kaufempfehlungen.

Erst dann die Marke und der Content. Citations, Bewertungen auf mehreren Plattformen, Differenzierung, Multi-Channel-Traffic. Und ganz am Ende, wenn die Basis steht, ein Blog, der die Struktur von unten unterbaut, statt sie anzuführen.

Häufige Fragen zu Onlineshop-SEO

Quellen

• Kevin Indig: Effective Marketplace SEO is more like Product Growth, Growth Memo
• Google Search Central: Introduction to Product structured data
• Shopify: Perplexity Shopping: How to Optimize Your Store for AI (2026)
• Google (The Keyword): New tech and tools for retailers to succeed in an agentic shopping era, Universal Commerce Protocol (UCP)

Was sich beim Klick-Volumen gerade verschiebt

Bei einem unserer DACH-E-Commerce-Kunden im B2C-Bereich sahen wir in Q1 2026 +29,8 % Impressionen bei −15,7 % Klicks. Die Klickrate (CTR) fiel von 1,97 auf 1,28 %. Im selben Quartal kamen vierstellig viele Sessions aus ChatGPT, Perplexity, Copilot und Gemini, von praktisch null im Vorjahr. Klein im Anteil, aber qualitativ auffällig.

Die Asymmetrie aus steigenden Impressionen und fallenden Klicks sehen wir mittlerweile bei nahezu jedem unserer E-Commerce-Kunden mit relevanter LLM-Sichtbarkeit, nicht als Einzelfall. Ahrefs hat dazu im Februar 2026 den zweiten Teil ihrer Studie veröffentlicht. Auf Position 1 liegt die CTR bei Keywords mit AI Overview um 58 % niedriger als bei vergleichbaren Keywords ohne. Im Vorjahr waren es noch 34,5 %. Seer Interactive, Authoritas und Kevin Indig (Growth-Advisor) kommen mit anderen Methoden auf ähnliche Größenordnungen zwischen 47 und 65 %. Klar ist: Der Klick fällt aus, wenn Google selbst antwortet. AI Overviews sind seit Mai 2025 in über 200 Ländern und 40 Sprachen aktiv.

Die Recherche passiert mittlerweile woanders. Der Kauf folgt aber weiterhin meist über eine klassische Suche, mit deinem Markennamen als Suchbegriff. Die Kanalzuordnung verschiebt sich nicht, sie fällt aus: Zwischen LLMs und Google gibt es keine Tracking-Verbindung. Damit fehlt die Information, wann eine Customer Journey wirklich begonnen hat.

Wo die Markenkanal-These nicht hält

Die These trifft nicht jede Branche gleichzeitig. Performance-SEO bleibt in 3 Segmenten weiter relevant: Handwerk im sehr lokalen Umfeld, manche YMYL-Bereiche (Your Money, Your Life) mit älterer Zielgruppe und regulierte Spezialthemen. Dort googelt die Zielgruppe noch klassisch und nutzt LLMs selten als Recherche-Tool.

Auch Blogposts als Klick-Magnet sind nicht generell tot. Ihre Funktion wandelt sich. Wer einen Blog betreibt, um Themen zu besetzen statt auf Keywords zu optimieren, sich als Experte positioniert und in LLMs als Quelle auftaucht, fährt damit weiter gut. Reine Klickmaximierung über generische Top-10-Listen lohnt sich heute kaum noch.

Eine notwendige Differenzierung: Erkannt zu werden ist nicht dasselbe wie ausgewählt zu werden. Saubere Profile und konsistente Daten reichen für das eine. Empfohlen werden ist die andere Frage. Mehr dazu unten.

Warum die Kanalzuordnung in den Statistiken zerfasert

Eine ganz typische Customer Journey 2026: Jemand fragt ChatGPT nach „guter Software für Spendenverwaltung“. ChatGPT empfiehlt drei Anbieter. Der Nutzer googelt eine der Marken, klickt im Brand-SERP auf die offizielle Seite, kauft. In deiner Statistik steht: Branded Search oder Direct. Drei Touchpoints, eine Zuweisung, null Erkenntnis darüber, wo der Kunde ursprünglich herkam.

Zur Kanalzuordnung kommt das Messproblem selbst. Andy Crestodina, Content-Stratege bei Orbit Media, hat 2024 GA4 gegen andere Datenquellen verglichen. Einmal gemittelt über 33 Accounts, einmal auf Orbits eigener Website direkt gegen Plausible, getrennt nach Banner-Anzeige. Die Zahlen:

In Deutschland ist die Lage sogar noch etwas brisanter. Statista misst für Mai 2025: 43 % der Deutschen lehnen Cookies möglichst alle ab, nur 30 % akzeptieren alles. Eine Auswertung von 500 deutschen Websites durch etracker (über Kukie referiert) zeigt Consent-Raten zwischen 40 und 54 %, je nachdem wie sichtbar der „Alle ablehnen“-Button gestaltet ist. Malte Möller von deepmartech verantwortet für mehrere unserer E-Commerce-Kunden das Tracking-Setup. Er fasst es so zusammen: „Da musst du noch ungefähr 30 % im Geiste draufrechnen.“

GA4 zeigt dir je nach Setup zwischen 11 und 56 % zu wenig. Und der Anteil, den GA4 nicht sieht, kommt jetzt zusätzlich aus LLMs als Direct oder Branded rein, ohne dass irgendjemand das sauber zuordnen kann.

Pro-Tipp: Plausible oder ein vergleichbares cookieless Tool als Zweit-Tracker einbauen. Es ersetzt GA4 nicht, aber es zeigt dir den Anteil deiner Besucher, den GA4 nicht mehr sieht. Bei den meisten Kunden ist die Lücke zweistellig, in datenschutzaffinen Branchen über 50 %.

Affiliate-SEO ist tot

Klassisches Affiliate-SEO funktionierte nach einem simplen Rezept. Du baust eine Vergleichsseite, rankst für „beste Vereinssoftware 2024″, schickst die Klicks weiter, kassierst Provision. Funktioniert immer schlechter. Google beantwortet die Vergleichsfrage selbst im AI Overview. LLMs empfehlen häufig Marken statt Top-10-Listen.

Der Kern des Modells war die Namenlosigkeit. Niemand hat je „testberichte.example“ eingegeben. Gesucht wurde „beste Vereinssoftware“, und genau dieses Ergebnis liefert heute ein LLM. Affiliates ohne eigene Marke sind damit faktisch raus.

Die Antwort darauf hat der türkische SEO Koray Tuğberk Gübür für News- und Affiliate-Websites schon 2024 sauber beschrieben. Aus der namenlosen Vergleichsseite einen Sub-Brand mit klar definiertem Source Context und eigenen Autoren machen, der für Mensch und LLM als Quelle funktioniert. Affiliate ohne klare Markenidentität und ohne thematisch sauberen Kontext ist deutlich verwundbarer, sobald Google bei Core- oder Helpful-Content-Updates nachschärft.

Sichtbarkeitsindex als Steuerungs-KPI ist genauso tot

Sichtbarkeit ohne Umsatzbeitrag taugt nicht mehr als Steuerungsgröße. Wir sehen das ständig: Eine Domain hat 800 Top-10-Rankings für informationelle Keywords, der Sichtbarkeitsindex steigt jedes Quartal, der Umsatz aus organisch bleibt flach. Die rein informationellen Klicks sterben gerade weg, weil sie nie zum Geschäft passten.

Eine Agentur, die einem E-Commerce-Kunden 2026 noch monatlich Sistrix-Charts schickt und damit die Wirksamkeit der eigenen Arbeit belegen will, optimiert auf eine Metrik, die im Kontoauszug nicht ankommt. Das ist nicht erst seit den AI Overviews unsauber, aber jetzt wird es offensichtlich.

Was an die Stelle gehört: Brand-Mentions, LLM-Sichtbarkeit für die Hauptkategorien und das Branded-Search-Volumen. Für LLMs lohnt ein eigenes Monitoring, für Brand-Mentions reicht initial Ahrefs Firehose oder ein Google-Alerts-Setup.

Brand-Mentions wirken in zwei Stufen

Brand-Mentions wirken in 2 Stufen: Stufe 1 schafft Entity-Klarheit, Stufe 2 baut Entity-Salienz auf. Was noch wirklich funktioniert: dafür sorgen, dass deine Marke im Internet als Entität verstanden wird. Das ist kein „auch noch SEO machen“, das ist mittlerweile der Kern der Arbeit. Die Unterscheidung lohnt sich, weil viele in der falschen Reihenfolge starten.

Stufe 1: Entity-Klarheit

Entity-Klarheit heißt: LLMs und Suchmaschinen erkennen deine Marke trennscharf, in klarer Abgrenzung zu anderen Anbietern im gleichen Umfeld. Sie wissen, wer du bist, was du tust und wofür du stehst. Wer das nicht sauber macht, verwässert, wie LLMs und Suchmaschinen die eigene Marke sehen.

Konkret bedeutet das: konsistente NAPD-Daten überall (Name, Adresse, Telefon und vor allem Description), Schema-Markup auf der eigenen Seite, sauber gepflegte Profile auf relevanten Plattformen, eine Über-uns-Seite als Entity-Hub. Dazu eine identische Markenbeschreibung auf allen externen Citation-Quellen. Ob Stufe 1 sitzt, erkennst du am schnellsten daran, ob deine Marke einen Google Knowledge Panel hat. Fehlt er, liest Google die Entität noch nicht eindeutig. Gübür arbeitet im Holistic-SEO-Framework mit dem Begriff „Source Context“. Eine Marke ist nur dann eindeutig identifizierbar, wenn jede Quelle, die sie erwähnt, denselben Source Context liefert. Inkonsistente Beschreibungen, wechselnde Adressen, abweichende Markennamen über verschiedene Profile hinweg verwässern genau dieses Signal.

So sieht es aus, wenn Stufe 1 fehlt: Wir haben einen DACH-Anbieter für Spezialsoftware analysiert. 30 Jahre am Markt. Ahrefs Authority Score 14, null messbare LLM-Mentions. ChatGPT kennt sogar das Hauptprodukt. Zitiert wird allerdings nicht die eigene Domain, sondern der Branchenverband. Den Wettbewerber mit konsistenter Brand-Kommunikation zitieren alle drei großen LLMs.

Stufe 2: Entity-Salienz

Entity-Salienz heißt: in einem kompetitiven Umfeld häufiger genannt werden als der Wettbewerb. Reine Erkennung reicht dann nicht. Es braucht klar kommunizierbare USPs, viele Bewertungen mit Streuung und externe Belege, die auch ein Algorithmus als Stärke liest.

Wir machen das vor allem an unserer eigenen Marke vor. HECHT INS GEFECHT versucht, im Internet möglichst überall mit konsistenter Description aufzutauchen. Profile, Gastbeiträge, sameAs-Verbindungen, Citations bei Branchen-Verzeichnissen, Bewertungsmanagement als laufender Prozess. Das stärkt die Position in LLMs spürbar, weil die Stimme aus vielen Quellen dieselbe ist.

Den härtesten Beweis dafür haben wir 2026 geliefert: Dieselbe Methode aus konsistenter Definition, Schema, Citations und Bewertungen, angewendet auf eine Marke, die bei null startete, gewann den SEO-Contest 2026 in drei Wochen gegen etablierte Agenturen, nach Platz 3 plus KI-Sieg im Vorjahr. Entity-Klarheit plus Salienz funktioniert auch ohne Domain-Alter und ohne Autorität, wenn Tempo und Vollständigkeit stimmen. Der Beitrag zur Google Sandbox dokumentiert den Fall.

Bei einem unserer Kunden, einem DACH-Hersteller-Shop für Wasserfilter, hat ein konsequent betriebener Blog die Sichtbarkeit gehoben, ohne unmittelbar mehr Klicks zu liefern. Die Funktion war eine andere: Positionierung als Experten. Der Blog ist da, um Expertise sichtbar und zitierbar zu machen. Aus ähnlichen Gründen haben wir den Blog von HECHT INS GEFECHT reaktiviert.

Pro-Tipp: Wer Stufe 1 nicht hat, sollte nicht über Stufe 2 nachdenken. Die meisten im SEO-Bereich springen direkt auf „Brand-Mentions aufbauen“. Das ist Stufe 2, und ohne Stufe 1 funktioniert es nicht. Erst Klarheit, dann Salienz.

Mehr zur Mechanik dahinter steht im Beitrag zu Brand SEO und ergänzend in Entity SEO.

Was du als Geschäftsführer jetzt entscheidest

Als Geschäftsführer entscheidest du jetzt über 3 Dinge: Budget-Verteilung, Reporting-KPIs und eine gemeinsame Sprachregelung für Marke und SEO. Die strategische Frage ist nicht „mehr Backlinks oder mehr Content“. Die Frage ist, ob deine Marke als Entität im Internet sauber erkannt wird und ob deine KPIs an die neue Wirklichkeit angepasst sind.

Wie wenig der Backlink-Reflex bringt, zeigte die vergleichende Analyse im SEO-Contest 2026: Alle 15 geprüften Contest-Domains lagen bei Ahrefs auf Domain Rating 0, rund 90 % der verweisenden Domains waren generischer PBN-Spam, der alle gleichzeitig traf. Die Ranking-Unterschiede kamen aus On-Page- und Entity-Signalen; zwei echte Quellen (Crunchbase DR 91, ein Karteneintrag DR 74) genügten, um das Feld im Linkvergleich anzuführen. Budget gehört in Entity-Signale, nicht in Linkmengen.

Was wir bei mehreren E-Commerce-Kunden mit relevanter LLM-Sichtbarkeit sehen: Die organische CTR fällt im betroffenen Themenfeld um ein Drittel oder mehr. Bei gleichem SEO-Budget bedeutet das rund 50 % höhere Lead-Kosten. Nicht weil SEO schlechter geworden wäre. SEO ohne Brand-Sichtbarkeit wird teurer, weil dieselben Leute, die früher über die organische Suche kamen, heute den Markennamen googeln, nachdem ein LLM ihn vorgeschlagen hat. Solange Branding-Budget und SEO-Budget strikt getrennt verbucht werden, sehen Geschäftsführer im Dashboard nur das schlechtere CAC (Customer Acquisition Cost), nicht die Ursache. Ein Teil des Performance-SEO-Budgets gehört dorthin, wo Marken-Sichtbarkeit entsteht: in Profile, Citations, Bewertungsmanagement, PR.

Daneben muss das Reporting umziehen. Branded-Search-Volumen, Direct-Traffic, Brand-Mentions in LLMs, ein cookieless Zweit-Tracker für die ehrliche Visitor-Basis. Sichtbarkeitsindex maximal als Beobachtungsgröße. Wer sein Dashboard weiter aus Sistrix, GA4-Sessions und Top-10-Rankings zusammenbaut, hat bald das Nachsehen.

Markenführung und SEO werden in vielen Agenturen getrennt betrieben, mit getrennten Sprachregelungen. Genau so verwässert sich der Source Context, von dem Stufe 1 lebt. Die Description aus der Über-uns-Seite muss identisch im Crefo-Eintrag, im LinkedIn-Profil, im Pressekontakt und in jedem Gastbeitrag stehen. Fünf leicht unterschiedliche Versionen ergeben für ein LLM fünf leicht unterschiedliche Marken.

Was nicht reinpasst: weiter informationelle Top-10-Rankings zählen, die nichts zum Umsatz beitragen. Das ist Verschwendung, finanziell und strategisch. SEO als Markenkanal bedeutet, auf Sichtbarkeit bei Mensch und Algorithmus zu optimieren, nicht auf Metriken, die im Kontoauszug nicht ankommen.

Wir schauen uns das für deinen Shop an. Im SEO-Audit prüfen wir Brand-Klarheit, LLM-Sichtbarkeit und Tracking-Lücken in einem Schritt.

FAQ

Quellen

• Andy Crestodina / Orbit Media (2024): „How Accurate is Google Analytics?“
• Statista (Mai 2025): Umfrage zum Umgang mit Cookie-Hinweisen in Deutschland
• Ahrefs (April 2025): „AI Overviews Reduce Clicks by 34.5%“, Erstmessung des CTR-Drops auf Position 1
• Ahrefs (Februar 2026): „Update: AI Overviews Reduce Clicks by 58%“, Folge-Studie auf 300.000 Keywords, Datenstand Dezember 2025
• Semrush (April 2026): „How AI is reshaping traffic channels“, AI-Traffic +66 % YoY, organisch nur +2,4 %
• Koray Tuğberk Gübür, Holistic SEO: „3 Suggestions about Topical Authority“, Source Context und Entity-Identity-Management
• Eigene Q1 2026 Daten und Analysen aus Kundenprojekten von HECHT INS GEFECHT

Die Erstfassung dieses Rankings erschien mit Daten vom 18. Mai 2026, das erste Update folgte am 11. Juli. Am 4. August 2026 hat HECHT INS GEFECHT alle Zahlen zum dritten Mal gezogen: wieder Rankscale, wieder das 7-Tage-Fenster, wieder das Aggregat der drei Kern-Prompts für die Haupttabelle, wieder der Datenweg über die Metrics API des Tools. Das Juli-Update dokumentierte einen Rückgang, das August-Update dokumentiert eine Erholung. Beides steht mit vollem Zahlensatz im Text.

Die 10 besten SEO-Agenturen in Deutschland 2026

Die Datenbasis: Jeder Prompt läuft parallel gegen ChatGPT, Gemini, Perplexity, Bing Copilot, Google AI Mode und Google AI Overviews. Der Visibility Score fasst über diese sechs Engines zusammen, wie häufig eine Agentur erwähnt wird und an welcher Position sie auftaucht. Die Haupttabelle aggregiert wie in der Mai-Version die drei Kern-Prompts, der Spezial-Prompt für E-Commerce hat eine eigene Tabelle weiter unten. Die KI- und GEO-Rankings stehen im eigenen Beitrag zu den besten GEO-Agenturen in Deutschland. Brand-Suchen nach den Agenturen selbst sind aus der Wertung raus. Sonst würde jede Agentur bei der eigenen Marke 100 % erreichen und das Ranking wäre wertlos.

Top 10 nach LLM-Sichtbarkeit (Stand 4. August 2026, Aggregat der drei Kern-Prompts)

Die Kurzform der drei Messungen: Im Mai standen wir auf Platz 2 mit 42,8 %, im Juli auf Platz 3 mit 28,9 %, jetzt wieder auf Platz 2 mit 36,9 %. Suchhelden, im Juli noch vor uns, ist von 40,3 auf 36,2 % gefallen, der Abstand beträgt 0,7 Punkte. Dahinter hat sich erneut eine halbe Tabelle umsortiert: Seokratie sprang von Platz 6 auf 4 (von 21,0 auf 35,6 %, das größte Plus im Feld), Peak Ace legte von 22,3 auf 30,9 % zu und rutschte trotzdem von Platz 4 auf 5, weil Seokratie noch stärker zulegte, die SEO-Küche kletterte von Platz 10 auf 7. DREIKON, im Juli noch Platz 8, ist komplett aus den Top 10 gefallen. Neu drin: Netzbekannt aus Berlin.

Wer solche Sprünge zum ersten Mal sieht, hält sie für einen Messfehler. Sind sie nicht. Sie sind der Normalzustand dieses Kanals, und genau deshalb aktualisieren wir diesen Beitrag mit vollem Zahlensatz statt ihn stillschweigend stehen zu lassen.

Die Top 10 im Kurzprofil

Hinter den 10 Namen stehen sehr unterschiedliche Modelle: vom Zwei-Mann-Betrieb über inhabergeführte Mittelständler bis zur internationalen Performance-Agentur mit Auslandsbüros. Die Kurzprofile ordnen jede Agentur ein. Hinter mehreren dieser Agenturen stehen bekannte Köpfe des deutschsprachigen SEO: Olaf Kopp (Aufgesang, semantisches SEO), Julian Dziki (Seokratie), Bastian Grimm (Peak Ace), Niels Stuck (Wolf of SEO) und Benny Windolph (HECHT INS GEFECHT, GEO und LLM-Sichtbarkeit). Standort und Schwerpunkt stammen von den Agentur-Websites und Impressen, die Metriken aus dem Rankscale-Datensatz dieses Rankings (Stand 4. August 2026).

Platz 1: Claneo

Claneo ist eine internationale Search- und Content-Marketing-Agentur aus Berlin mit Fokus auf Enterprise-Kunden. Auch im August-Datensatz führt Claneo alle Volumen-Metriken an: Visibility (56,8 %), Detection Rate (60,8 %) und die durchschnittliche Position (#2,5). Der Vorsprung bleibt komfortabel: 19,9 Punkte auf Platz 2. Übersetzt heißt das: LLMs finden Claneo über alle Engines hinweg und nennen die Agentur früh in der Antwort.

Platz 2: HECHT INS GEFECHT

HECHT INS GEFECHT ist eine SEO- und GEO-Agentur aus Bremen, gegründet 2021 von den Brüdern Johannes und Benny Windolph. Die Agentur ist auf E-Commerce-SEO, technisches SEO und LLM-Optimierung für Onlineshops spezialisiert. Im August-Datensatz: 36,9 % Visibility nach 28,9 % im Juli, Detection Rate von 34,8 auf 44,8 % gestiegen. Das Sentiment ist mit 84,2 % zum dritten Mal in Folge der höchste Wert der Top 10, auch wenn es selbst leicht nachgibt (Mai: 87,5 %, Juli: 85,1 %). Beim E-Commerce-Prompt hält die Agentur Platz 2 mit 46,6 %.

Volle Transparenz, wie in jeder Version: Wir erstellen dieses Ranking und stehen selbst drin. Die Daten kommen unverändert aus Rankscale. Im Juli dokumentierten sie einen Rückgang von Platz 2 auf Platz 3, den wir genauso publiziert haben, jetzt dokumentieren sie die Rückkehr. Belege außerhalb der LLM-Messung gibt es drei: Beim SEO-Wettbewerb von Agenturtipp 2025 („Keywordkönig“) erreichten wir Platz 3 bei Google. Den parallel laufenden KI-Wettbewerb von Rankscale haben wir als erste Agentur überhaupt gewonnen. Beim SEO-Contest 2026 von Seobility und Agenturtipp holten wir Platz 1, gestartet mit einer brandneuen Exact-Match-Domain.

Platz 3: Suchhelden

Suchhelden gehört mit Sitz in Osnabrück zu den größten Full-Service-Anbietern im deutschen SEO-Markt, mit Leistungen von SEO über Ads bis Webdesign. Im Juli stand die Agentur auf Platz 2, jetzt mit 36,2 % (nach 40,3) knapp hinter uns auf Platz 3. Den KI-Prompt dominiert Suchhelden weiterhin klar, mit 57,7 % Visibility und einer durchschnittlichen Position von #1,6. Die Schwäche liegt beim Allgemein-Prompt: Dort ist das Sentiment mit 69,7 % der mit Abstand niedrigste Wert im vorderen Feld.

Platz 4: Seokratie

Seokratie aus München zählt zu den bekanntesten SEO-Agenturen im deutschsprachigen Raum, vor allem wegen des reichweitenstarken Blogs von Gründer Julian Dziki. Das Leistungsspektrum reicht von SEO über Content-Marketing bis Google Ads. Im Juli beschrieben wir Seokratie als stabilste Marke im Feld, mit 21,0 % nach 20,9 % im Mai. Gut drei Wochen später steht die Agentur bei 35,6 %, ein Plus von 14,6 Punkten und der größte Sprung im Feld, getragen vom Allgemein-Prompt (dort 46,8 %, Platz 2 hinter Claneo). In diesem Kanal ist selbst Stabilität eine Momentaufnahme.

Platz 5: Peak Ace

Peak Ace ist eine internationale Performance-Marketing-Agentur aus Berlin, geführt von Geschäftsführer Bastian Grimm, mit weiteren Büros unter anderem in Frankreich. Auf europäischen Search-Konferenzen und bei Branchen-Awards taucht der Name seit Jahren regelmäßig auf. Der Aufwärtstrend hält: von 16,1 % im Mai über 22,3 % im Juli auf jetzt 30,9 %, fast eine Verdopplung in elf Wochen. Dass es trotzdem von Platz 4 auf 5 zurückging, liegt allein an Seokraties noch größerem Sprung.

Platz 6: Aufgesang

Aufgesang aus Hannover verbindet SEO mit Content-Marketing und ist fachlich eng mit Olaf Kopp verbunden, einem der profiliertesten deutschen Köpfe für semantische SEO und Entitäten. Wer zu Knowledge Graph und Semantik recherchiert, landet früher oder später auf seinen Texten. Der Aufstieg setzt sich fort: von 15,0 % im Mai über 21,9 % im Juli auf 25,7 %. Beim KI-Prompt steht Aufgesang mit 41,3 % auf Platz 3. Die Investition in semantische Tiefe zahlt sich in LLM-Antworten sichtbar aus.

Platz 7: SEO-Küche

Die SEO-Küche aus Rosenheim ist einer der größten Full-Service-Anbieter im deutschsprachigen Raum. Der Leistungskatalog reicht von SEO über Ads bis Webdesign. Nach dem Neueinstieg in die Top 10 im Juli (Platz 10, 13,6 %) geht es weiter nach oben: jetzt 20,5 % und Platz 7. Auffällig: Die SEO-Küche publiziert selbst aktiv Agentur-Vergleichslisten und taucht damit in LLM-Quellen doppelt auf, als Anbieter und als Quelle.

Platz 8: Wolf of SEO

Wolf of SEO wurde 2018 von Niels Stuck gegründet und arbeitet komplett auf E-Commerce-SEO spezialisiert. Die Agentur bedient den deutschsprachigen Markt, hat ihren Firmensitz aber in Dubai. Im Aggregat von 19,0 auf 17,0 % gefallen. Beim E-Commerce-Prompt rutschte die Agentur von Platz 3 auf Platz 5 (36,8 %), wird dort aber weiterhin früh genannt (durchschnittliche Position #2,1). Die Website liefert als eine der wenigen im Feld eine eigene llms.txt aus, eine Textdatei mit Agentur-Fakten speziell für KI-Crawler.

Platz 9: morefire

morefire ist eine Online-Marketing-Agentur aus Köln mit Leistungen von SEO über Google Ads bis Inbound-Marketing. Bekannt ist das Unternehmen für seine Content-Formate: Podcast, YouTube-Kanal und Webinare laufen seit Jahren. Im Aggregat von 15,4 auf 13,1 % gefallen. Der E-Commerce-Prompt, im Juli noch Platz 4 mit 30,5 %, liegt mit 14,8 % nicht mehr in den Top 6 der Spezial-Tabelle.

Platz 10: Netzbekannt

Netzbekannt ist eine inhabergeführte Online-Marketing- und SEO-Agentur aus Berlin mit über zehn Jahren Markterfahrung. Der Neueinsteiger dieser Messung steht im Aggregat bei 10,2 % und verdankt den Platz vor allem dem Allgemein-Prompt, wo die Agentur mit 21,2 % auf Platz 9 liegt. Typisch für die Ränge unterhalb der Spitze: Dort liegen die Werte so eng beieinander, dass wenige zusätzliche Quellen-Nennungen für den Sprung in die Top 10 reichen.

Weitere Agenturen im Messfeld

Die Top 10 sind ein Ausschnitt. Rankscale erkennt im selben Wettbewerbsumfeld über 90 weitere Marken, die LLMs bei den Prompts nennen. Drei Bewegungen fallen auf. DREIKON aus Münster, im Mai noch Platz 4 und im Juli Platz 8, ist mit 5,0 % aus den Top 15 gefallen. Auch die KI-Nische, im Juli noch DREIKONs stärkste Disziplin mit Platz 2 und 44,4 %, liegt jetzt bei 12,9 % auf Platz 9. Der Suchmaschinenmakler aus Dortmund steht mit 9,7 % auf Platz 11 direkt vor der Rückkehr in die Tabelle und erreicht beim allgemeinen Prompt mit 31,1 % Platz 6, bei einem der besten Sentiment-Werte im Feld (82,1 %). Und Evergreen Media aus Innsbruck, deren Ratgeber in der Juli-Analyse zu den meistzitierten Quellen der LLM-Antworten gehörte, ist im Aggregat auf 2,5 % abgerutscht. Diese Rotation ist typisch für LLM-Rankings: Unterhalb der Spitze liegen die Werte so eng beieinander, dass wenige Wochen reichen, um eine halbe Tabelle umzusortieren.

Von Platz 2 auf 3 und zurück: was Wochen im LLM-Ranking anrichten

Die Mai-Version dieses Beitrags analysierte an dieser Stelle, warum HECHT INS GEFECHT auf Platz 2 steht. Im Juli ersetzten wir die Analyse durch die Auswertung des Rückgangs auf Platz 3. Der Befund damals: Am Sentiment lag es nicht, da führten wir weiter, verloren hatten wir bei der Detection Rate, also der Frage, wie oft wir überhaupt in den Antworten auftauchen. Im August ist genau diese Metrik zurückgekommen, und mit ihr der Platz. Die Ursache ist dieselbe, diesmal wirkt sie in die andere Richtung.

Die Detail-Tabelle stellt HECHT INS GEFECHT gegen Claneo, die einzige Agentur vor uns, und die drei direkten Verfolger (alle Werte aus dem Drei-Prompt-Aggregat, 7-Tage-Fenster, Pull am 4. August 2026):

Das Muster aus dem Juli bestätigt sich mit umgekehrtem Vorzeichen: Die Detection Rate ist von 34,8 auf 44,8 % gestiegen und liegt damit wieder gleichauf mit Suchhelden (43,8 %) und Seokratie (44,1 %). Nur Claneo liegt mit 60,8 % weit darüber. Beim Sentiment führen wir die Top 10 weiterhin an. Eine Anmerkung zur Tabelle: Die absoluten Mentions- und Citations-Zahlen der Juli-Version fehlen diesmal bewusst. Wir haben Anfang Juli die Scan-Frequenz in Rankscale von zweistündlich auf täglich reduziert, absolute Zählwerte sind seither nicht mehr mit den alten Ständen vergleichbar. Alle Share-Metriken in der Tabelle sind davon unberührt.

Der Blick in die Einzel-Prompts zeigt, woher die Erholung kommt: Beim reinen Allgemein-Prompt „Beste SEO-Agenturen in Deutschland“ standen wir im Juli nur auf Platz 6 mit 20,6 %, jetzt sind es Platz 5 mit 32,7 %. Der KI-Prompt liegt bei 29,6 % (Platz 4). Das Aggregat trägt damit weiterhin vor allem der E-Commerce-Prompt mit 46,6 %.

Der Grund liegt in den Quellen. LLM-Empfehlungen speisen sich aus Dritt-Listicles, Verzeichnissen und Vergleichsartikeln. Für das Juli-Update hatten wir die zitierten Quellen der LLM-Antworten systematisch geprüft: Claneo, Suchhelden, Peak Ace und Aufgesang standen in fast jeder Liste, die ChatGPT, Gemini und Perplexity heranziehen, wir fehlten in mehreren der meistzitierten. Sichtbarkeit in LLMs ist eine Eigenschaft des Quellen-Ökosystems über die eigene Marke. Die eigene Website spielt dabei nur eine Nebenrolle. Wer im Quellen-Ökosystem zurückfällt, verliert Detection, ganz ohne auf der eigenen Website etwas zu ändern. Und wer dort wieder auftaucht, holt sie zurück. Genau dieses Hin und Her bildet der Verlauf von Juli zu August ab.

Beste SEO-Agenturen für E-Commerce in Deutschland 2026

Beim Prompt „Beste SEO Agentur für E-Commerce in Deutschland“ bleibt das Bild deutlich stabiler, und deutlich freundlicher für HECHT INS GEFECHT.

Unser Score bleibt der stabilste Wert im eigenen Portfolio: 51,4 % im Mai, 50,7 % im Juli, jetzt 46,6 %, während die 30-Tage-Kurve weiter um die 50 % pendelt. An der Spitze zieht Claneo davon: von 58,8 auf 66,1 %, mit einer durchschnittlichen Position von #1,6 und 61,3 % Top-3-Visibility. Beim Sentiment führen wir die Tabelle weiter an (83,0 %). Dahinter hat sich das Feld umsortiert: Peak Ace und Seokratie sind an Wolf of SEO vorbeigezogen, morefire ist aus der Tabelle gefallen, Suchhelden kommt trotz Platz 3 im Aggregat hier nur auf 18,6 %. Heißt weiterhin: Wenn jemand ein LLM nach der besten SEO-Agentur für E-Commerce in Deutschland fragt und wir genannt werden, dann durchweg positiv (bestes Sentiment der Tabelle) und im Schnitt an Position #3,2. Der E-Commerce-Prompt ist unser stabilstes Asset im gesamten Messfeld, über drei Messungen und alle Verschiebungen hinweg.

Die Rankings für KI- und GEO-Agenturen sind in einen eigenen Beitrag umgezogen: Die besten GEO-Agenturen in Deutschland 2026. Dort stehen die Tabellen für E-Commerce-GEO und KI-SEO, die Nennungszählung zum generischen GEO-Prompt und die Geomarketing-Falle, bei der zwei KI-Engines den Begriff GEO falsch deuten.

Die beiden Faktoren für mehr Sichtbarkeit in LLMs

Zwei Faktoren tragen die Sichtbarkeit von HECHT INS GEFECHT dort, wo sie stabil ist: ein konstruierter, überall identischer Beschreibungstext auf über 105 Profilen und Quellen-Streuung statt Quellen-Volumen. Beide Faktoren sind reine Fleißarbeit statt Budget-Frage. Genau deshalb kann jede kleine Marke sie kopieren, ganz ohne Agentur-Größe.

Beschreibungstext + 105 konsistente Profile

Ich habe vor Jahren angefangen Profile für HECHT INS GEFECHT anzulegen und zu pflegen. Aktuell stehen wir bei etwas mehr als 105 Profilen, verteilt auf drei Typen:

• Pflicht: Google Business Profil, Trustpilot, ProvenExpert
• Paid: agenturtipp.de, OMT, Sortlist, Semrush Agency Partners
• Nische: Bremen-Branchenbuch, IHK-Verzeichnisse, regionale Plattformen

Das alleine wäre noch nichts Besonderes. Citations aufbauen ist seit zehn Jahren bekannte Local-SEO-Praxis.

Was wir anders gemacht haben: Der Beschreibungstext für HECHT INS GEFECHT wurde nicht einfach „geschrieben“, sondern konstruiert. Maximal dicht, mit allen wichtigen Entitäten, Fakten und Themen drin. Standort Bremen, gegründet von zwei Brüdern, Branchen-Spezialisierung, Schwerpunkte (technisches SEO, semantisches SEO, GEO, LLM-Optimierung), Tools, Methoden. Kein Fluff oder Marketing-Gelaber, sondern ein dichter Text.

Das größte Problem für Marken im Internet ist Ambiguität, also Mehrdeutigkeit. Es ist deshalb wichtig sehr klar und eindeutig zu kommunizieren was eine Marke ist, wofür sie steht und was sie macht.

Pro-Tipp: Schreib den Beschreibungstext einmal richtig. Dicht, faktisch, entitätenreich. Dann pflege ihn auf jedem Profil ein, möglichst exakt gleich. Konsistenz ist die zweite Hälfte der Übung. Erzählst du auf agenturtipp.de etwas anderes als auf Crunchbase, bist du nicht eindeutig genug, um empfohlen zu werden!

Citation-Streuung statt Citation-Volumen

Der zweite Faktor ist nicht die Menge der Erwähnungen, sondern ihre Streuung. Stell dir vor, ein einziges Listicle nennt dich zehn Mal. Du hast zehn Mentions, aber LLMs sehen das als eine Quelle. Nennen dich stattdessen zehn unterschiedliche Quellen je einmal, hast du wieder zehn Mentions, aber LLMs sehen zehn unabhängige Belege. Der zweite Fall ist deutlich wertvoller. Letztlich dieselbe Logik wie bei klassischen Backlinks: Linkdiversität schlägt Linkmenge.

Die genauen Algorithmen der LLM-Anbieter sind proprietär, aber die plausibelste Erklärung ist: LLMs gewichten Quellen-Diversität, weil sie Halluzinationen vermeiden wollen. Eine Information, die nur in einer Quelle steht, ist ein schwaches Signal. Eine Information, die mehrere unabhängige Quellen nennen, ist ein starkes Signal. Derselbe Mechanismus greift auch bei Brand-Empfehlungen.

Das Juli-Update lieferte dazu einen Beleg aus der Gegenrichtung: Ein einzelnes Drittportal, das HECHT INS GEFECHT listet, hatte in den damaligen Antworten genau eine LLM-Empfehlung erzeugt. Eine einzelne Fremd-Nennung reicht nicht, LLMs wollen Korroboration über mehrere unabhängige Quellen, bevor sie eine Marke in die Empfehlung heben.

Das Prinzip ist übrigens auch in der Arbeit mit dem Google Knowledge Graph bekannt. Hier geht es ebenfalls sehr stark darum, Fakten über Entitäten möglichst über mehrere Quellen zu bestätigen.

Wenn die eigene Studie die Konkurrenz empfiehlt: das AI-Overview-Paradox

Dieser Beitrag hat sich seit Mai zu einer der meistzitierten Quellen für Agentur-Prompts entwickelt. Stand der Juli-Analyse: Die Google AI Overview zur Suchanfrage „beste SEO-Agenturen Deutschland“ zitierte ihn als Quelle Nummer 1, Perplexity gab die Rankscale-Zahlen von HECHT INS GEFECHT wieder, Claude übernahm unsere E-Commerce-Daten samt Prozentwerten in seine Empfehlungen. Die Grok-Eigenmessung vom 4. August bestätigt das Muster: Dort baut die Engine 6 von 15 Antworten auf diesem Beitrag auf.

Klingt nach einem Erfolg, hat aber eine Pointe: Die AI Overview baut aus den Kurzprofilen der Mai-Version die Empfehlungen für Aufgesang, DREIKON und morefire, fast wortwörtlich. HECHT INS GEFECHT selbst empfiehlt sie nicht. Perplexity gibt beim KI-Prompt die DREIKON-Zahl aus unserer Mai-Version wieder („55,0 % Visibility“) und empfiehlt DREIKON. Die Maschine extrahiert aus einem Ranking die vorderen Plätze und ignoriert den Herausgeber.

Zwei Lehren daraus. Erstens: Wer die Datenquelle für eine Kategorie besitzt, steuert, welche Marken LLMs in dieser Kategorie empfehlen. Das ist der eigentliche Grund, warum Suchhelden, DREIKON und SEO-Küche eigene Vergleichslisten publizieren, und warum dieser Beitrag mit jedem Update wertvoller wird. Zweitens: In eigenen Rankings ehrlich zu bleiben kostet Sichtbarkeit genau dann, wenn man selbst gerade schlecht dasteht. Wir zahlen diesen Preis bewusst, denn eine manipulierte Liste würde von den anderen rund 90 Marken im Messfeld sofort zerlegt. Dazu ein praktischer Hinweis aus der Google Search Console: Der Beitrag erreicht in den letzten sieben Tagen rund 700 Impressionen am Tag bei Position 7,6. Die Klickrate über die letzten 28 Tage liegt bei 0,15 %. So sieht es aus, wenn eine Seite als AI-Overview-Quelle arbeitet statt als klassisches Suchergebnis. Sichtbarkeit und Klicks entkoppeln sich, das solltest du bei jeder Content-Investition 2026 einpreisen.

Perplexity: ein Lehrstück über Volatilität

Anfang Mai war HECHT INS GEFECHT auf Perplexity die meistzitierte Quelle im gesamten Wettbewerbsumfeld: 71 Citation-Mentions, verteilt auf neun URLs. Mitte Mai waren davon noch 24 Mentions auf zwei URLs übrig. Stand Juli lag unsere Brand-Visibility auf Perplexity im Rankscale-Datensatz bei 0,6 %, über alle Prompts. Stand August sind es 15,3 %. In zehn Wochen ging es also von der meistzitierten Quelle auf faktisch null, in gut drei weiteren Wochen zurück auf ein messbares Niveau. Die Volatilität wirkt in beide Richtungen. Wichtig zur Einordnung: Das misst, wie oft Perplexity die Marke empfiehlt. Als Datenquelle taucht der Beitrag in Perplexity-Antworten weiterhin auf, siehe den Abschnitt zum AI-Overview-Paradox. Beides sind getrennte Metriken, und genau diese Lücke zwischen zitiert werden und empfohlen werden ist der Befund. Das Beispiel steht seit der Mai-Version im Text, damit der Post in keiner Richtung schönt.

Daraus folgen zwei Lektionen. Erstens: Eine einzelne Engine ist kein Fundament. Perplexity beantwortet Agentur-Prompts fast ausschließlich aus Listicle-Quellen, und wer aus diesen Listen fällt, fällt aus den Antworten. Zweitens: Topical Authority, also häufig als Quelle herangezogen zu werden, ist nicht dasselbe wie eine stabile Brand-Empfehlung. Der Perplexity-Befund ist der Grund, warum wir laufend messen statt einmal im Quartal einen Screenshot zu machen. Wer LLM-Sichtbarkeit als Fixpunkt verkauft, hat das Wesen des Kanals nicht verstanden. Die Gegenprobe liefert Gemini: Dort hält sich unsere Sichtbarkeit seit Wochen stabil um die 40 %. Die Engines bewegen sich unabhängig voneinander, entsprechend gehört die Messung auf jede Engine einzeln.

Grok: die Engine, die HECHT INS GEFECHT selbst messen musste

Eine Engine fehlt im Rankscale-Datensatz weiterhin komplett: Grok. Rankscale führt die xAI-Engine zwar im Setup, liefert aber seit Wochen keine Daten. Unser Versuch, Grok über einen unabhängigen Scraper zu messen, scheiterte am veränderten Frontend. Für einen blinden Fleck ist die Engine zu groß: Grok steckt direkt in X und beantwortet Empfehlungsfragen mit Websuche. Also misst HECHT INS GEFECHT direkt an der Quelle, über die offizielle xAI-API: erstmals am 11. Juli, zuletzt am 4. August 2026.

Der Aufbau: die fünf Prompts des Rankings (drei Kern-Prompts plus zwei GEO-Prompts, der Allgemein-Prompt in leicht abweichender Formulierung), jeder drei Mal gestellt. Modell: grok-4.20 mit aktivierter Web- und X-Suche. Macht 15 Antworten. Gezählt haben wir, wie oft eine Agentur im Antworttext vorkommt und an welcher Stelle sie zuerst auftaucht. Das ist eine Eigenmessung, die Methodik unterscheidet sich von Rankscale. Mit den Visibility Scores weiter oben sind diese Zahlen nicht verrechenbar. Deshalb stehen sie in einer separaten Tabelle und fließen nirgendwo in den Haupt-Score ein.

Die allererste Auswertung im Juli zeigte uns übrigens auf Platz 1. Sie zählte allerdings auch Quellen-Links als Nennung, und Grok zitierte damals in 10 der 15 Antworten ausgerechnet diesen Blogpost als Quelle. Seither zählen wir nur echte Marken-Nennungen im Antworttext, Quellen-URLs bleiben außen vor. Die August-Messung sieht so aus:

Sortiert ist die Tabelle nach der Zahl der Nennungen, bei Gleichstand nach Ø Position. Gelistet ist, wer in mindestens der Hälfte der 15 Antworten vorkam. Darunter lagen morefire (7 Nennungen), GEOAgentur.de und Evergreen Media (je 5), Wolf of SEO und SEO-Küche (je 3) sowie ShopStrategen (2, davon aber wieder 2 Erstnennungen beim GEO-E-Commerce-Prompt).

Grok verteilt die Spitzenplätze weiterhin je nach Prompt an unterschiedliche Agenturen, aber die Verteilung hat sich binnen gut drei Wochen deutlich verschoben. Beim E-Commerce-Prompt bleibt HECHT INS GEFECHT gesetzt: in allen drei Läufen genannt, in zweien als erste Empfehlung. Beim KI-Prompt teilen sich Claneo (zwei Mal) und wir (ein Mal) die Erstnennungen. Beim generischen SEO-Prompt dagegen fehlen wir in zwei von drei Läufen komplett, dort wechseln sich Seokratie, Suchhelden und Claneo ab. Das deckt sich mit dem Rankscale-Bild: Der E-Commerce-Prompt ist unsere mit Abstand stärkste Disziplin. Über alle 15 Antworten gerechnet stehen wir bei 12 Nennungen (Juli: 14), führen aber mit fünf Erstnennungen jetzt das gesamte Feld an (Claneo und Suchhelden: je drei), bei einer von 3,2 auf 2,8 verbesserten durchschnittlichen Position.

Der eigentliche Befund steckt wieder in den Quellen. Im Juli baute Grok seine Antworten in 10 von 15 Fällen auf genau diesem Blogpost auf, im August sind es noch 6 von 15. Die Quellen-Rotation, die wir bei den anderen Engines beobachten, findet also auch bei Grok statt. Wo die Engine unseren Beitrag heranzieht, übernimmt sie teils wörtlich unsere Tabellen, inklusive der Plätze, auf denen wir selbst hinten liegen. Das ist dasselbe Muster wie im Abschnitt zum AI-Overview-Paradox: Die Engine vertraut unserer Studie und empfiehlt deren Erstplatzierte.

Für dich heißt das: Wenn deine Marke in ChatGPT und Perplexity unsichtbar ist, kann sie in Grok trotzdem präsent sein, und umgekehrt. Der August liefert dafür ein konkretes Beispiel: DREIKON ist bei Rankscale aus den Top 10 gefallen, steht bei Grok aber weiter in 11 von 15 Antworten. Wer nur auf Tool-Dashboards schaut, sieht diese Engine gar nicht. Die Messung kostet wenige Euro und ist mit jedem xAI-API-Zugang reproduzierbar. Wir wiederholen sie mit jedem Daten-Update dieses Posts.

Was sonst noch hilft: Knowledge Graph als Verstärker

Einen offiziellen Eintrag im Google Knowledge Graph mit eigener KG-ID hat HECHT INS GEFECHT noch nicht. Aus der Arbeit am Knowledge Panel von HECHT INS GEFECHT und an meinem eigenen ziehe ich aber Erkenntnisse für die Optimierung in LLMs.

Drei Dinge aus der Knowledge-Graph-Arbeit sind für LLMs nützlich:

• Ein dichtes Organization-Schema auf hechtinsgefecht.de
• sameAs-Verlinkungen zu allen relevanten Profilen, darunter Crunchbase, LinkedIn, OMR, AFS-Akademie, GitHub, YouTube und Mastodon
• Korroboration in beide Richtungen: Jedes Profil verlinkt auf hechtinsgefecht.de zurück, und hechtinsgefecht.de verlinkt auf jedes Profil

Die Verlinkung in beide Richtungen gibt Suchmaschinen und LLMs ein konsistentes Signal: Die Entität HECHT INS GEFECHT ist an mehreren Orten dieselbe und lässt sich bestätigen.

Wer tiefer einsteigen will: Das Konzept habe ich in „Brand SEO: Marke im Knowledge Graph etablieren“, in „Über-uns-Seite als Entity-Hub“ und in „Harmonic Centrality“ detaillierter aufgeschrieben.

Was das Ranking nicht sagt

Vier Punkte schränken die Aussagekraft des Rankings ein. LLM-Sichtbarkeit übersetzt sich (noch) nicht direkt in Leads. Der Visibility Score bildet nur einen Teilaspekt ab. Die Datenbasis ist ein 7-Tage-Fenster. Und Grok fehlt im Rankscale-Datensatz.

Erstens: LLM-Sichtbarkeit ist (noch) nicht gleich Lead-Pipeline. Wir tracken derzeit nicht hart, wer wie auf unsere Website kommt. Dennoch erzählen uns oft potenzielle Kunden im Erstgespräch, sie hätten HECHT INS GEFECHT „in Gemini“ oder „über ChatGPT“ gefunden.

Zweitens: Visibility Score ist nicht das einzige Ziel. Sichtbar werden zählt vor allem dann, wenn die Erwähnung mit einer kaufrelevanten Anfrage zusammenfällt. Eine Nennung in „beste SEO-Agentur Deutschland“ ist deutlich mehr wert als eine in einer beliebigen Listicle. Sichtbarkeit ohne den passenden Kontext bringt schlicht nichts. Deswegen muss eine Marke nicht überall sichtbar sein, sondern bei den Anfragen, die zum eigenen Geschäftsmodell passen.

Drittens: Die Daten sind eine Momentaufnahme, und dieser Beitrag ist der Beweis. Drei Pulls, drei Tabellen: im Mai Platz 2, im Juli Platz 3, im August wieder Platz 2. Zwischen zwei Messungen liegen jeweils nur Wochen, und trotzdem sortiert sich jedes Mal eine halbe Tabelle um. Wer mit LLM-Rankings arbeitet, braucht Zeitreihen statt Screenshots.

Viertens: Grok fehlt im Rankscale-Datensatz. Die Mai-Version enthielt Grok noch als Engine. Seit Juli steht die Engine bei Rankscale zwar weiter im Setup, die Datenlieferung bleibt aber tot, auch im August. HECHT INS GEFECHT misst Grok deshalb direkt über die offizielle xAI-API, als separat ausgewiesene Eigenmessung mit eigener Tabelle weiter oben, zuletzt wiederholt am 4. August 2026. In den Haupt-Score fließt sie bewusst nicht ein, weil sich zwei Methodiken nicht zu einer Zahl verrechnen lassen. Das Grundrisiko bleibt trotzdem: Jede LLM-Sichtbarkeits-Messung hängt an Schnittstellen, die die Anbieter jederzeit ändern können.

Der Hebel, mit dem du morgen anfangen kannst

Führst du selbst eine Agentur, einen Shop oder eine Marke und willst in LLMs sichtbar werden: Es gibt einen Hebel, der gleichzeitig der einfachste und der wirkungsvollste ist. Die klassischen SEO-Basics (saubere Technik, dichter Content, interne Verlinkung) bleiben auch 2026 die Voraussetzung. Neu hinzu kommt die Entitäts- und Quellenarbeit, um die es hier geht.

Citations aufbauen und einen konsistenten, kongruenten Beschreibungstext einbauen.

Schreib den Beschreibungstext einmal richtig: dicht, faktenreich, mit allen relevanten Entitäten und Themen. Dann pflege ihn auf jedem relevanten Verzeichnis ein:

• Branchenverzeichnisse deiner Kategorie
• Bewertungsplattformen wie Trustpilot, ProvenExpert oder Google Business Profil
• Industrie-Listicles, in denen deine Wettbewerber stehen
• Regional relevante Portale und Stadtverzeichnisse

Die Updates dieses Rankings zeigen beide Richtungen: Im Juli fiel unsere Detection Rate, weil die Konkurrenz genau diese Arbeit systematisiert hatte, und das Ranking fiel mit, trotz bestem Sentiment der Top 10. Im August kam die Detection Rate zurück, und mit ihr der Platz. Knowledge-Graph-Setup und Schema-Markup verstärken das Setup zusätzlich, ersetzen es aber nicht.

Wenn du das für deine Marke aufsetzen möchtest und wissen willst, wo die größten Lücken liegen: Schreib uns. Wir schauen uns an, was bei deiner Brand-Entität bereits funktioniert.

Häufige Fragen

Quellen

• Rankscale AI, Tool für LLM Visibility Tracking über ChatGPT, Gemini, Perplexity, Bing Copilot, Google AI Mode und Google AI Overviews (rankscale.ai)
• Eigene Citation-Liste (interne Excel, 105 Profile, Stand Mai 2026)
• Datenbasis Mai-Version: Rankscale Brand Performance, „Last 7 Days“, drei Prompts ohne Brand-Suche, Pull am 18. Mai 2026
• Datenbasis Juli-Update: Rankscale Metrics API (Dashboard-Report, Haupttabelle als Aggregat der drei Kern-Prompts, Spezial-Tabellen je Prompt, „Last 7 Days“), Pull am 11. Juli 2026; GEO-Prompts seit Anfang Juli im Messfeld
• Datenbasis August-Update: identischer Datenweg über die Rankscale Metrics API, Pull am 4. August 2026; Scan-Frequenz seit Anfang Juli täglich statt zweistündlich, absolute Zählwerte (Mentions, Citations) deshalb nicht mehr mit älteren Ständen vergleichbar, Share-Metriken schon
• Quellen-Analyse der LLM-Antworten: eigene Abfragen über die APIs von OpenAI, Anthropic, Google (Gemini), Perplexity sowie Google AI Overviews, 11. Juli 2026
• Google Search Console, Property hechtinsgefecht.de: Impressionen, Position und Klickrate dieses Beitrags, Stand 4. August 2026
• Grok-Eigenmessung: xAI Responses API mit aktivierter Web- und X-Suche, Modell grok-4.20-0309-reasoning, fünf Prompts mit je drei Wiederholungen, Auswertung auf Marken-Nennungen im Antworttext (Quellen-URLs ausgenommen), Messungen am 11. Juli und 4. August 2026 (docs.x.ai)

Eine Analyse von Tyler Gargula (Locomotive Agency) über 319 Properties zeigt die Dimension: 87,7% der Websites verloren Impressionen, 77,6% verloren sichtbare Keywords. Die durchschnittliche Position sieht dadurch sogar besser aus, und die Klicks bleiben stabil. Es fallen nur die Bot-Impressionen aus den hinteren Positionen weg, nicht die Klicks realer Nutzer.

Die erste Reaktion auf den Impressionen-Einbruch ist oft: „Alles halb so wild, war nur ein Reporting-Artefakt.“ Technisch stimmt das. Strategisch ist es aber ein Weckruf, den die wenigsten verstanden haben.

Was &num=100 eigentlich gekillt hat

Der Parameter war ein Effizienz-Hack. Ein Rank-Tracker konnte mit einem einzigen Request sehen, wo eine Domain in den Top 100 für ein Keyword stand. Ohne &num=100 muss dasselbe Tool jetzt 10 Anfragen absetzen, um an dieselben Daten zu kommen. Das heißt: das Zehnfache an Kosten bei gleicher Datenmenge. Was das für den Cost of Retrieval bedeutet, zeigt sich besonders bei großen Keyword-Sets und Enterprise-Setups.

Semrush und Accuranker haben die Auswirkungen bereits öffentlich bestätigt, Search Engine Land hat den Verlauf dokumentiert. Die wichtigere Frage ist aber, warum Google den Parameter gekippt hat.

Zwei Antworten passen zusammen.

Erstens will Google Scraper loswerden. Rank-Tracker belasten die Suche dauerhaft, ohne Anzeigen zu klicken. Mit dem Auffahren von AI Overviews und Infinite Scroll wird das für Google teurer, nicht billiger. &num=100 war der bequemste Weg für Scraper, Daten in Masse billig abzugreifen. Damit war dann Schluss.

Zweitens gibt es ein Problem, über das niemand offen redet: LLM-Anbieter, die Google-Ergebnisse als Trainingsdaten oder Grounding-Quelle genutzt haben, profitierten massiv von &num=100. Google hat mit der Abschaltung zwei Fliegen mit einer Klappe geschlagen.

Die Folge ist ein klares Signal von Google: Dieser Index ist nicht mehr frei abgreifbar. Wer Rankingdaten will, zahlt Google direkt oder bezahlt Drittanbieter, die wiederum Google bezahlen.

Warum Google-Only-Indexing für LLMs nicht reicht

Eine Frage ist damit eigentlich Jahre überfällig: welche LLMs Googles Index überhaupt genutzt haben.

Die ehrliche Antwort: so gut wie keine. Google-Ergebnisse in ein LLM (Large Language Model) zu bekommen war schon vor &num=100 ein Krampf. Jetzt ist es viel teurer und damit eher unrentabel. ChatGPT, Perplexity, Claude und Le Chat holen ihre Web-Daten überall, nur nicht aus dem Google-Index.

Genau da beginnt der Blindspot, den ich bei einem Großteil aller SEO-Setups sehe. Die komplette Indexierungs-Strategie hängt an Google. Teams reichen Sitemaps in der Search Console ein. Neue Seiten landen in der Google Indexing API, falls überhaupt. Microsoft Bing bleibt eine Randerscheinung, Brave, DuckDuckGo und Yandex ignorieren die meisten komplett.

Eine Google-zentrierte Indexierungs-Strategie reicht nicht mehr, wenn der eigene Content für ein LLM sichtbar sein soll. Seit September 2025 ist die Konsequenz nicht mehr theoretisch, sondern sehr gut messbar.

Welcher LLM nutzt welche Suchmaschine

Die wichtigste Übersicht zur Indexierungs-Debatte passt in eine Tabelle: 7 KI-Produkte und ihre Suchquellen für Web-Grounding.

Bing trägt also 2 große KI-Produkte: ChatGPT und Meta AI. Das sind zusammen Hunderte Millionen Nutzer pro Monat. Wer in Bing nicht drin ist, ist für diesen Teil der LLM-Landschaft schwerer auffindbar. OpenAI bestätigt die Bing-Integration im eigenen Help Center. Im ChatGPT-Search-Announcement selbst ist nur von „third-party search providers“ die Rede.

Brave Search trägt 2 KI-Systeme, die deutlich technischere Nutzer anziehen. Claude über die offizielle Anthropic web_search Tool-API und Le Chat von Mistral. Das Backend des web_search-Tools dokumentiert Anthropic nicht offiziell. Community-Integrationen nutzen die Brave Search API, das Anthropic Help Center nennt für Image Search allerdings Bing. Brave ist kein Hipster-Projekt, Brave ist eine echte Anlaufstelle für den technischen B2B-Markt.

Eine Detailinfo wird im Alltag gerne unterschlagen: Laut einer Semrush-Analyse von 80 Millionen ChatGPT-Queries triggern nur rund 46% der Anfragen überhaupt eine Live-Websuche. Bei den anderen 54% antwortet das Modell aus Trainingsdaten. Und wenn die Live-Suche greift, muss der Abruf durch den ChatGPT-Crawler technisch erst einmal gelingen. Wie ChatGPT Quellen auswählt und gewichtet, hat eigene Regeln, die mit klassischer Suchmaschinen-Indexierung nur zum Teil zusammenhängen. Wer sein Material nicht in die Trainingscorpora bekommt (Common Crawl, Webarchivierung, Publisher-Deals), bleibt generell unsichtbar, auch wenn Bing ihn perfekt indexiert hat.

Drei Indexe, drei Wege

Gehen wir durch, wie eine Seite in den 3 Systemen konkret sichtbar wird. Google setzt auf ein offizielles, aber stark eingeschränktes System. Bing bietet die offenste Indexierungs-Infrastruktur im westlichen Web. Brave hat ein öffentliches Submit-Formular, dazu einen zweiten Weg über den Bing-Index.

Google

Die klassischen Wege kennt jeder: XML-Sitemap in der Search Console einreichen, crawlbare interne Verlinkung, saubere Canonicals. Googles offizielle Indexing API ist auf zwei Content-Typen beschränkt, Jobpostings und Livestreams. Für alles andere verweigert Google den Zugriff offiziell. Inoffiziell klappt es aber natürlich, darüber auch beliebige andere URLs einzureichen.

In der Praxis gibt es Paid Indexer. Die Dienste melden URLs über andere Kanäle an Google und erreichen damit in der Regel höhere Erfolgsquoten als das bloße Einreichen einer Sitemap. Ob sich das lohnt, ist eine Kosten-Nutzen-Entscheidung. Für eine junge Seite mit 20 wichtigen URLs kann es sich rechnen, für einen Shop mit 10.000 URLs eher nicht.

Bing

Bing ist technisch am offensichtlichsten. IndexNow ist der offene Push-Standard, den Microsoft, Yandex, Seznam und weitere Suchmaschinen gemeinsam unterstützen. Ein HTTP-Request schickt eine Liste von URLs mit einem API-Key an einen Endpoint, und die Suchmaschinen holen sich die Inhalte selbst. Der Standard ist kostenlos.

Wie schnell das greift, habe ich beim SEO-Contest 2026 auf einer brandneuen Domain gemessen: Bingbot rief die Website 60 Sekunden nach dem IndexNow-Ping ab, Googlebot kam nach rund einer Stunde, der erste organische Google-Klick noch am Launch-Abend um 20:14 Uhr. ClaudeBot pollte ab Tag 1 alle 2 Stunden robots.txt und Sitemap, GPTBot fehlte am ersten Tag komplett. Das aktive Pingen bei jedem Update war dabei eine bewusste Kampagnen-Ausnahme für die frische Domain, für etablierte Websites gilt weiter: Updates nicht erneut einreichen. Das komplette Tag-1-Protokoll steht im Beitrag zur Google Sandbox.

Zusätzlich bieten die Bing Webmaster Tools eine eigene API namens SubmitUrlBatch mit einem Kontingent von 10.000 URLs pro Tag pro Domain. Die Einrichtung dauert 10 Minuten. Wer Bing noch nicht als Indexierungs-Kanal nutzt, lässt hier was liegen.

Brave Search

Hier hat sich etwas bewegt, allerdings sehr leise. Brave betreibt unter search.brave.com/submit-url ein öffentliches Formular, in das sich einzelne URLs eintragen lassen. Kein Account, keine Domain-Verifizierung, kein Webmaster-Tools-Zugang.

Angekündigt hat Brave das nie. Es gibt keinen Blogpost dazu, keinen Eintrag in den Release Notes und keine Hilfeseite, die das Formular erklärt. In Community-Threads taucht der Link seit Anfang 2025 auf, die großen SEO-Fachmedien haben ihn bis heute nicht aufgegriffen.

Wichtig ist, was Brave dem Formular zuschreibt. Der Feldtext lautet Insert the URL to be re-fetched, und die Brave-Hilfeseiten beschreiben das Werkzeug ausschließlich für bereits bekannte Seiten: erneutes Crawlen nach einem entfernten noindex, Meldung toter Links, Aktualisierung geänderter Inhalte. Dass komplett unbekannte URLs darüber neu in den Index kommen, sagt Brave nirgends zu. Wer das Gegenteil behauptet, belegt es nicht.

Wir haben es gemessen, statt zu spekulieren. Zwischen dem 18. und 20. Juli 2026 haben wir 216 URLs über das Formular eingereicht, verteilt auf 88 Domains: eigene Seiten, Kundenprojekte, Verzeichnis- und Profileinträge. Für 205 davon war vorher gemessen und belegt, dass sie nicht im Brave-Index lagen. Sieben Tage später sind 8 davon drin. Das sind 3,9 Prozent. 78 der 88 Domains hatten keinen einzigen Treffer, darunter ganze Blöcke von 20 bis 30 Kernseiten am Stück.

Ein Beweis ist das nicht, und zwar in beide Richtungen nicht. Es gab keine Kontrollgruppe, und Brave lädt ohnehin laufend aus dem Bing-Index nach. Die 8 Treffer können also auch ohne unser Zutun gekommen sein. Was die Messung liefert, ist eine Obergrenze: Mehr als 4 Prozent kann das Formular in diesem Zeitraum nicht bewirkt haben. Zwischen Tag vier und Tag sieben kam keine einzige URL mehr dazu. Wer seine Brave-Sichtbarkeit auf dieses Formular baut, plant mit einer Zahl, die sich nicht bestätigen lässt.

Eine Indexing-API im Sinne von Google oder Bing ist das Formular also nicht. IndexNow unterstützt Brave weiterhin nicht, und das Web Discovery Project (der Brave-eigene Crawler-Mechanismus) arbeitet nach wie vor aus echten Brave-Browser-Sessions heraus. Der Weg, eine einzelne URL aktiv anzustoßen, existiert aber, und bis vor Kurzem war das anders.

Daneben bleibt der zweite Weg bestehen. Der Brave-Index ist ein Hybrid: Ein Teil kommt aus dem Web Discovery Project, einen großen Teil lädt Brave direkt aus Bing nach. In der Praxis heißt das: Eine Seite landet mit wenigen Tagen Verzögerung auch in der Brave Search API, sobald Bing sie sauber erfasst hat. Und damit in Claude und Le Chat.

Letztlich steckt darin eine wichtige Erkenntnis: Bing-Indexierung ist Brave-Indexierung. Claude-Sichtbarkeit ist Bing-Sichtbarkeit.

Der Citation-Check als Audit-Tool

Bei einigen unserer Kunden haben wir in den letzten Wochen einen systematischen Check gemacht: welche Brand-Citations (Pressemeldungen, Verzeichnis-Einträge, Profilseiten, Partner-Listings) in welcher Suchmaschine indexiert sind. Gleicher URL-Satz, 5 Suchmaschinen: Google, Bing, Brave, Yandex, DuckDuckGo.

Der Befund war über alle geprüften Brands hinweg erschreckend einheitlich. Marken, die über Jahre in Google sauber aufgebaut waren, hatten in Bing und Brave deutliche Lücken. Mal fehlte eine Trustpilot-Seite, mal ein Branchenverzeichnis, mal ein Partner-Listing, mal eine LinkedIn-Company-Page. Zwischen 20 und 40% der Citations waren nur in einer oder zwei Suchmaschinen indexiert, nicht in allen fünf.

Die Konsequenz: Wer eine Brand in LLMs stark machen will, arbeitet nicht mehr nach dem Prinzip „Hauptsache in Google“. Eine Citation, eine Mention, eine externe Referenz, die nur in einem einzigen Index auftaucht, sollte in allen relevanten Suchmaschinen indexiert sein. Sonst zitiert Claude eine andere Quelle, weil deine in Brave fehlt, obwohl sie in Google auf Seite 1 steht.

Vier Schritte für mehr Sichtbarkeit in LLMs durch gezielte Indexierung

1. IndexNow einbauen. Der größte Hebel mit dem geringsten Aufwand. Für WordPress, Shopify, Shopware und die meisten Headless-Setups gibt es fertige Pakete. Jede neue URL, jede Content-Änderung wird automatisch an Bing gemeldet (und damit mittelbar an Brave).
2. Bing Webmaster Tools einrichten. Schnellster Sichtbarkeits-Boost in Bing überhaupt. Daten direkt aus der Google Search Console importieren, Sitemap einreichen, Crawl-Verhalten wöchentlich prüfen. Kostenlos, 20 Minuten Setup: ein Fire-and-Forget-Move mit hohem ROI (Return on Investment).
3. Citation-Audit über 5 Suchmaschinen. Sammle die wichtigsten Brand-URLs (Pressemeldungen, Profile, Verzeichnisse, eigene Landingpages) und prüfe per site:-Query oder über eine SERP-API, wo sie indexiert sind. Das habe ich früher manuell in den einzelnen Suchmaschinen gemacht. Mittlerweile geht das über die Such-APIs direkt in Claude Code oder Codex.
4. Indexierungs-Strategie: Die Brand-URLs aus dem Citation-Audit müssen jetzt nur noch in den jeweiligen Suchmaschinen-Index. Da helfen Indexer-Dienste oder das Verlinken auf der eigenen Seite, die dann wiederum bei Google und Bing zur Indexierung eingereicht wird. Deren Crawler folgen den Links und finden die bisher unerschlossenen URLs. Bei Brave gehst du über das Formular unter search.brave.com/submit-url, auch wenn Brave dafür offiziell nur den Re-Crawl bekannter Seiten zusagt. Zusätzlich hilft die eigene Nutzung des Brave Browsers: Wer eigene Profile ab und zu selbst aufruft, füttert das Web Discovery Project.

Google allein reicht nicht mehr

Die &num=100-Entfernung war kein Reporting-Bug, sondern ein Richtungswechsel. Google macht den eigenen Index teurer, schlechter abgreifbar und stärker auf zahlende Nutzer zugeschnitten. Eine Suchlandschaft, die sich gerade radikal umbaut: mit AI Overviews, Infinite Scroll und eigenen LLM-Features direkt in der Suchergebnisseite (SERP).

Für SEO heißt das mittlerweile ganz praktisch: Wer Inhalte für die neue Generation von Suchschnittstellen sichtbar machen will, nimmt Bing und Brave ernst. Das ist die Grundlage für LLM-Sichtbarkeit, keine Spielerei. Der Mehraufwand bleibt überschaubar, sobald die Indexierung einmal sauber aufgesetzt ist.

Der Gedanke bleibt letztlich derselbe, den gutes technisches SEO immer verfolgt hat. Mach Inhalte für die Suchmaschinen und LLMs auffindbar, die deine Zielgruppe benutzt.

Wie deine Brand in Bing, Brave und Google aufgestellt ist, schauen wir uns im SEO-Audit konkret an, inklusive Citation-Gap über alle relevanten Suchmaschinen.

Häufige Fragen zur Indexierung für LLMs

Quellen

• Gargula, T. (Locomotive Agency, 15.09.2025): Google Removes &num=100 Parameter September 2025, Analyse über 319 Properties, 87,7% Impression-Drop.
• Search Engine Land (18.09.2025, Danny Goodwin): 77% of sites lost keyword visibility after Google removed num=100.
• OpenAI (31.10.2024): Introducing ChatGPT search, Bing als primärer Such-Partner.
• Anthropic Docs: web_search Tool, Brave Search API als Backend.
• Perplexity Search API: Documentation, eigener Crawler, eigener Index.
• IndexNow: indexnow.org, Protokoll-Spezifikation, unterstützte Suchmaschinen.
• Microsoft Bing: IndexNow bei Bing, Bing-spezifische Implementierung.
• Brave Search API: brave.com/search/api, Basis für Claude und Mistral Le Chat.
• Brave Search: Submit URL, öffentliches Formular ohne Ankündigung und ohne Hilfeseite, eigener Praxistest Juli 2026.
• Siddle, R. & Blyskal, J. (MERJ, 09.07.2026): How Brave Search discovers new pages, Code-Inspektion des Submit-Formulars, kein IndexNow bei Brave.
• Google Indexing API: Developer Docs, Beschränkung auf Jobposting + Livestream.
• Eigene Kundenarbeit HECHT INS GEFECHT: Citation-Status-Checks über 5 Suchmaschinen, Q1 2026.

Ich prüfe diese Regeln seit Monaten in jedem Content-Audit. Das Muster ist jedes Mal dasselbe: Die Texte sind handwerklich ordentlich geschrieben und ranken meistens auch für das Haupt-Keyword. Aber keine einzige Passage wird in LLM-Antworten zitiert. Die Ursache liegt fast nie am Inhalt. Sie liegt an der Struktur.

Der Artikel ist die Zusammenfassung dessen, was ich in diesen Audits jedes Mal anpasse. Sieben Prinzipien, die direkt auf technisches Retrieval-Verhalten zurückgehen. Ein Test, mit dem du in einer Stunde pro Blogpost 80 % der Probleme findest. Und ein konkreter Case, der zeigt, wie groß der Hebel in der Praxis ist.

Content-Formatierung für LLMs: Das Konzept hinter dem Begriff

Google zerlegt jede Seite seit 2020 in kleine Einheiten (Passagen) und bewertet jede Passage einzeln gegen einzelne Suchanfragen. Das ist Passage Indexing. Eine Passage ist nicht der Absatz im Sinne der Layout-Software. Eine Passage ist ein semantischer Block, den der Algorithmus aus Satzstruktur, Position und Thema konstruiert.

LLMs nennen denselben Vorgang Chunking. Ein Retrieval-Augmented-Generation-System zerlegt die Webseite in Chunks und wandelt jeden Chunk in einen Vektor um. Zum Antwortzeitpunkt zieht es nur die Chunks, die semantisch am besten zur Frage passen. Heute ist jeder Perplexity- oder ChatGPT-Search-Aufruf so ein System. Die restliche Seite existiert für die jeweilige Antwort nicht.

Daraus folgen zwei Dinge. Erstens: Ein Absatz, der nur im Kontext der gesamten Seite Sinn ergibt, verliert seine Chunk-Fähigkeit. Ein Retrieval-System durchsucht zum Antwortzeitpunkt Millionen von Webpassagen nach der einen, die zur Frage des Nutzers passt: die berühmte Nadel im Heuhaufen. Ein Absatz ohne eigenständige Aussage ist für das Retrieval-System keine Nadel. Er bleibt im Heuhaufen liegen und wird nicht zitiert, egal wie gut sein Inhalt ist. Zweitens: Lange Texte sind kein Nachteil mehr, solange jeder Absatz für sich funktioniert. Feste Wortzahlen wie die berüchtigten 1.500 Wörter sind damit obsolet geworden.

Koray Tugberk Gübür hat das Prinzip der eigenständigen Absätze auf Holistic SEO vor Jahren theoretisch beschrieben. Kevin Indig hat es in seiner Analyse zu LLM-Zitierpräferenzen empirisch bestätigt: LLMs bevorzugen Passagen mit klarer Struktur und ignorieren den Rest. Die Content-Formatierung für LLMs ist damit nicht mehr optional.

Warum Content-Formatierung 2026 jede Sichtbarkeit bestimmt

Passage Indexing hat die Funktionsweise von Google seit 2020 verändert, ohne dass die meisten SEO-Teams es bemerkt haben. Früher wurde eine Seite als ein Block indexiert und gerankt. Heute bewertet Google jeden Absatz gegen einzelne Suchanfragen. Und LLMs arbeiten technisch fast identisch.

Hinter allen sieben Prinzipien steht am Ende eine einfache ökonomische Logik. Google und LLMs haben begrenzte Rechenressourcen und müssen aus Milliarden Webseiten entscheiden, welche Quellen sie für eine Antwort heranziehen. Je günstiger du es machst, an die relevante Information in deinem Text zu kommen, desto wahrscheinlicher wirst du als Quelle ausgewählt. Günstig heißt: Klare Passagen, direkte Antworten, eindeutige Entitäten. Content-Formatierung ist nichts anderes als Cost of Retrieval auf Textebene. Reduziere den Aufwand, den ein Retrieval-System für die Extraktion deiner Aussagen aufbringen muss, und du steigst in der Quellen-Auswahl.

Google hat das Kostenprinzip Ende 2025 auch algorithmisch formalisiert. Auf der NeurIPS 2025 wurde der GIST-Algorithmus vorgestellt (GIST = Greedy Independent Set Thresholding). GIST selektiert Quellen für AI Overviews und den AI Mode nicht nur nach Relevanz, sondern auch nach semantischer Differenzierung. Content, der zu nah an einer bereits ausgewählten Top-Quelle liegt, landet in der sogenannten Vector Exclusion Zone und wird aussortiert. Die inhaltliche Qualität spielt dann keine Rolle mehr. Klare Passage-Struktur, eindeutige Entity-Anker und verifiable Facts sind damit mehr als Hilfen für das Retrieval. Sie sind die Bedingung dafür, dass deine Seite überhaupt in die Auswahl kommt.

Andrea Volpini (CEO WordLift) hat den Zusammenhang zwischen Struktur und Zitierwahrscheinlichkeit in seiner WordLift-Analyse „Why AI Cites Some Pages and Ignores Others“ empirisch sauber unterfüttert. Ob eine Passage in einer LLM-Antwort auftaucht, hängt klar stärker an ihrer Struktur als an ihrem Inhalt. Wer Texte nicht auf Passage-Retrieval trimmt, überlässt die Zitate am Ende der englischsprachigen Konkurrenz. Search Engine Land oder Kevin Indigs Growth Memo schreiben seit Jahren passage-first, ohne das so zu nennen. Genau deswegen tauchen beide Quellen mittlerweile in jeder zweiten KI-Antwort auf.

Content-Formatierung für LLMs ist 2026 kein Feinschliff mehr, sondern die Grundlage. Wer noch nach „1.500 Wörter, Keyword-Dichte 1,5 %“ textet, optimiert für eine Welt, die es so schlicht nicht mehr gibt.

Die 7 Prinzipien der Content-Formatierung für LLMs

Die folgenden 7 Prinzipien gehe ich in jedem Audit durch. Die Reihenfolge folgt dem Hebel: Prinzip 1 hat den größten Effekt, Prinzip 7 sind eher die feinen Justierungen. Jedes einzelne Prinzip lässt sich direkt auf technisches Retrieval-Verhalten zurückführen.

1. Kernaussage im ersten Absatz platzieren

Der erste Absatz einer Seite wird von Google und LLMs überproportional oft als Zitatquelle genutzt. Kevin Indig hat den Effekt in seiner Analyse empirisch belegt: Die obersten 20 % einer Seite liefern die Mehrheit der Zitate in ChatGPT-Antworten. Wer die Kernfrage direkt im ersten Absatz beantwortet, verdoppelt seine Chance auf Zitation.

Vorher:

„In diesem Artikel geht es um Heimchen. Wir erklären, was du wissen musst, bevor du sie als Futterinsekten einsetzt.“

Richtig:

„Heimchen sind Futterinsekten für Reptilien, Amphibien und Vögel. Eine Leopardgecko-Population frisst durchschnittlich 15 Heimchen pro Woche.“

Der erste Satz liefert die Antwort, der zweite konkretisiert mit einer Zahl. Kein Warm-up, keine Vorrede, keine Hintergrundgeschichte. Google und LLMs lesen Text wie Journalisten: Das Wichtigste gehört nach oben, und zwar kompromisslos.

Beim Sieg im SEO-Contest 2026 war genau dieser definitorische Einstieg Stufe 1 der Methode: Der erste Satz unter der H1 definiert das Keyword sofort, faktisch und ohne Konjunktiv als die eigene Marke, damit LLMs die Definition wörtlich übernehmen können. Konsequent zu Ende gedacht hieß das auch: Homepage-Title auf das nackte Keyword gekürzt, Title, H1, Domain und Schema-Name tragen identisch dieselbe Botschaft.

2. Überschriften mit Entity-Kontext versehen

Jede Überschrift muss allein verständlich sein, ohne dass der Leser den Seitentitel oder die vorherige H2 gelesen hat. Eine H2 mit dem Wort „Fütterung“ ist wertlos, weil niemand weiß, wovon. „Fütterung von Heimchen im Zuchtbehälter“ liefert den vollen Kontext in drei zusätzlichen Wörtern.

Technisch dahinter steckt Google’s Vorliebe, Passagen über die direkt darüberstehende Überschrift zu indexieren. Fehlt dort die Entität, fehlt dem Retrieval-System der Anker für die Zuordnung zum Suchkontext. Die Passage wird dann nicht gezogen, egal wie gut sie inhaltlich ist. Mir begegnet das in jedem zweiten Audit: Blogposts mit drei bis fünf inhaltsleeren H2s wie „Überblick“, „Hintergrund“, „Details“, „Zusammenfassung“. Jede solche Überschrift kostet messbar Reichweite, ohne dass es jemand auf der Content-Seite mitbekommt.

3. Rück-Referenzen aus dem Text entfernen

Formulierungen wie „wie oben erwähnt“, „dieser Prozess“ oder „das eben beschriebene Verfahren“ binden einen Absatz an den vorherigen. Ein Retrieval-System, das nur den einzelnen Absatz extrahiert, hat keinen Zugriff auf „das eben beschriebene Verfahren“. Die Referenz läuft ins Leere, die Passage verliert ihren Kontext und wird nicht zitiert.

Wirkt nach Detail, ist aber die zweithäufigste Ursache, warum Passagen mit guten Inhalten trotzdem nie in einem Featured Snippet oder einer AI-Antwort landen. Jeder Absatz muss auf einem weißen Blatt funktionieren: isoliert betrachtet, ohne dass der Leser den vorherigen Kontext kennt.

4. Starke, spezifische Verben verwenden

Aus Verben ziehen Google und LLMs semantische Signale. „Der Arzt macht die Behandlung“ ist schwach, weil „machen“ als Verb keine Information trägt. „Der Ophthalmologe trägt die Hornhaut mit einem Femtosekundenlaser ab“ ist präzise, weil das Verb den Vorgang beschreibt und gleichzeitig Fachkontext liefert.

Vier Verben tauche ich in jedem Audit als erste raus: machen, haben, sein, geben. In einem typischen Kundentext liegen davon über ein Dutzend pro Seite. Jeder einzelne Austausch schärft das semantische Profil der Passage und damit die Wahrscheinlichkeit, dass ein Modell sie überhaupt extrahiert.

5. Verifiable Facts statt vager Aussagen

LLMs zitieren bevorzugt Textstellen mit verifizierbaren Daten. Der Grund liegt in der Modellarchitektur: Konkrete Fakten reduzieren das Halluzinationsrisiko, und das Modell belohnt Passagen, die es gefahrlos wiedergeben kann. Zahlen, Jahreszahlen, benannte Standards und Quellenangaben sind die Textbausteine, die ein LLM am liebsten übernimmt.

• Vage: „Es gibt verschiedene Methoden zur Augenkorrektur.“
• Konkret: „Drei Verfahren stehen zur Wahl: Femto-LASIK, PRK und SMILE.“
• Vage: „Die Kosten sind gestiegen.“
• Konkret: „Laut Verband der Augenärzte 2024 liegen die Kosten für eine Femto-LASIK-Behandlung im Durchschnitt bei 2.000 Euro pro Auge.“

Jedes Mal, wenn in einem Absatz ein vager Plural auftaucht („verschiedene Methoden“, „mehrere Optionen“, „zahlreiche Vorteile“), steht dort Werbetext statt Information. Konkretisiere direkt. „Deutschland hat mehrere große Städte“ ist Füllmaterial. „Deutschland hat vier Städte mit über einer Million Einwohnern“ ist eine extrahierbare Information, die ein LLM direkt als Antwort verwenden kann.

6. Zitiermuster gezielt in den Text einbauen

Kevin Indig hat in seiner Analyse gezeigt, dass LLMs bestimmte Satzmuster systematisch bevorzugen. Mindestens 30 % der Kernaussagen einer Seite sollten in einem dieser fünf Muster stehen:

1. Definition: „Femto-LASIK ist ein lasergestütztes Verfahren zur Korrektur von Fehlsichtigkeit.“
2. Vergleich: „Der Unterschied zwischen LASIK und PRK liegt in der Art der Hornhaut-Präparation.“
3. Liste: „Augenlasern hat drei Kontraindikationen: Keratokonus, zu dünne Hornhaut und instabile Sehstärke.“
4. Schritt-für-Schritt: „Schritt 1: Voruntersuchung. Schritt 2: Hornhaut-Mapping. Schritt 3: Laser-Behandlung.“
5. Quantifizierung: „Eine Femto-LASIK-Behandlung dauert 15 Minuten pro Auge.“

Hinter den fünf Mustern steckt keine Willkür. Sie liefern einen kompletten Wissensbaustein in einer einzigen Textpassage, und genau das will ein Retrieval-System extrahieren. Rhetorische Fragen, Übergangssätze ohne Informationswert und unbelegte Meinungen werden dagegen ignoriert.

Pro-Tipp: Wer Fragen als Überschrift nutzt, markiert die Antwort fett, nicht die Frage. Auf „Wie hoch ist der Eiffelturm?“ folgt „Der Eiffelturm ist 330 Meter hoch.“ Das Retrieval-System zieht die fett markierte Antwort mit höherer Wahrscheinlichkeit ins Featured Snippet.

7. 70/30-Struktur einhalten

Eine Seite, ein Thema. Die 70/30-Regel hat sich in der Praxis bewährt: 70 % des Textes behandeln das Hauptthema. Die restlichen 30 % öffnen eine Brücke zu verwandten Themen, auf die du intern verlinken kannst. Alles oberhalb der 30 % verwässert die Seite und schwächt ihren semantischen Vektor.

Der technische Grund: Perplexity und andere Retrieval-Systeme nutzen Late Chunking und injizieren den Kontext des gesamten Dokuments in jeden einzelnen Absatz. Wenn eine Seite thematisch in alle Richtungen streut, verwässert das nicht nur einen Absatz, sondern den gesamten Seitenvektor. Jason Barnard (CEO Kalicube, Brand-SERP-Experte) beschreibt den Verwässerungseffekt auf Kalicube als Entity-basierte SEO: Eine Seite ohne klare Hauptentität verliert ihre Zitierfähigkeit.

Content-Formatierung messen: Der Heading-Isolation-Test

Die sieben Prinzipien sind das eine. Ob ein Text tatsächlich LLM-freundlich ist, prüfst du mit 3 Methoden, die ich in jedem Content-Audit einsetze.

LLMs direkt fragen. Kopiere die URL deines wichtigsten Blogposts in ChatGPT, Perplexity und Gemini und frage: „Was steht auf dieser Seite?“ Wenn die drei Antworten sich grob decken und die Kernaussagen korrekt wiedergeben, ist die Passage-Struktur in Ordnung. Wenn die Antworten wild auseinandergehen oder halluzinieren, ist der Text strukturell zu vage.

Heading-Isolation-Test. Öffne deine fünf wichtigsten Blogposts und lies jede H2 und H3 isoliert, ohne den Absatz darunter anzusehen. Drei Fragen pro Überschrift:

1. Verrät die Überschrift allein, worum es geht? „Technische Details“ fällt durch. „Technische Details der Femto-LASIK-Operation“ besteht den Test.
2. Steht die Entität im Text? Jede Überschrift sollte die zentrale Entität der darunterliegenden Passage enthalten, nicht nur ein abstraktes Kategoriewort.
3. Funktioniert die Passage unter der Überschrift allein? Rück-Referenzen wie „dieser Prozess“ oder „wie eben beschrieben“ müssen raus.

Ein einziger Durchgang deckt 80 % der Content-Formatierungs-Probleme auf den meisten Websites auf. Das kostet eine Stunde pro Post und liefert die Grundlage für echte Retrieval-Freundlichkeit.

Stichproben in ChatGPT, Perplexity und Google AI Overviews. Prüf regelmäßig per Hand, für welche Fragen rund um dein Thema dein Content tatsächlich zitiert wird und welche Seiten stattdessen auftauchen. Wenn eine Seite Traffic von Google bekommt, aber in keiner einzigen LLM-Antwort vorkommt, liegt das Problem fast immer in der Formatierung, nicht im Inhalt. Mehr Hintergrund dazu findest du in unserem Beitrag zur LLM-Sichtbarkeit.

KI-generierter Content und die Frage nach Abstrafung

Eine Frage taucht in fast jedem Kundencall zu diesem Thema auf: „Straft Google KI-generierten Content ab?“ Die Antwort ist differenziert. Google geht es in erster Linie um Spam. Scaled Content Abuse bezeichnet den Content, der massenhaft produziert wird, nur um Rankings zu manipulieren. Der Begriff gilt ausdrücklich sowohl für menschlich als auch für maschinell erzeugte Texte. Wer ChatGPT auf „Schreib mir 50 SEO-Texte über X“ loslässt und die Ergebnisse ungeprüft veröffentlicht, bekommt eine Strafe. Der Grund ist nicht die KI, sondern der Spam-Intent. Genau solchen Content gilt es zu vermeiden.

Wer stattdessen ein LLM mit eigenem Expertenwissen füttert und die sieben Prinzipien der Content-Formatierung konsequent anwendet, kommt auf gute Texte. Google merkt den Unterschied nicht. Im Zweifel gilt sogar: Gut formatierter KI-Content wird von LLMs häufiger zitiert als schlecht formatierter Experten-Content. Die sieben Prinzipien gelten für beide Produktionswege gleichermaßen.

Content-Formatierung in der Praxis: Keywordkönig-Case

Beim SEO-Wettbewerb von Agenturtipp 2025 zum Keyword „Keywordkönig“ haben wir Platz 3 bei Google erreicht. Den parallel laufenden KI-Wettbewerb von RankScale haben wir als erstes Team überhaupt gewonnen. Die Wettbewerbsseite keywordkoenig.org ist noch online. Der Fall ist interessant, weil die Seite nicht lehrbuchhaft nach allen sieben Prinzipien gebaut ist, sondern 3 Hebel extrem konsequent nutzt.

Hebel 1: FAQ-Block mit zehn Definitions-Chunks direkt oben. Die erste Sektion der Seite besteht aus zehn Fragen nach dem Muster „Was ist der Keywordkönig?“, „Wofür steht der Keywordkönig?“, „Wo sitzt der Keywordkönig?“, „Wem hilft der Keywordkönig?“. Klassische Definitions-Zitiermuster in Reinform. Jede Antwort steht als eigenständiger, chunk-fähiger Absatz mit voller Entity-Nennung. Das FAQ-Modul ist zusätzlich mit FAQPage-Schema ausgezeichnet. Für ein Retrieval-System ist das ein Direktkanal zu zehn sauber formatierten, eindeutig zuordenbaren Passagen.

Hebel 2: Extreme Entity-Wiederholung. Die Seite erwähnt „Keywordkönig“ 255 Mal in 7.400 Wörtern, im Schnitt alle 29 Wörter. Jede H2, jede H3 und fast jeder Absatz tragen die Entität. Interessant dabei: Der Hauptteil der Seite ist bewusst narrativ gehalten. Die Überschriften heißen „Das Imperium des Keywordkönigs“, „Die Insignien des Keywordkönigs“ oder „Die Krone der Autorität“. Das widerspricht auf den ersten Blick dem Prinzip der faktischen Entity-Kontext-Überschriften. Es funktioniert hier aber, weil die Entität „Keywordkönig“ in jeder Metapher dominant bleibt und der FAQ-Block oben die sachliche Chunk-Grundlage liefert.

Hebel 3: Brand-Schema mit subjectOf-Kontext. Das Organization-Schema von keywordkoenig.org verlinkt per subjectOf zehn Konkurrenzseiten (semtrix.de, optimerch.de, arise-onlinemarketing.de und weitere) und nutzt zusätzlich einen doppelten Schema-Type [AboutPage, FAQPage]. Das ist Brand-SEO für ein erfundenes Keyword in Reinform. Mehr dazu im Beitrag zu Brand SEO.

Am Ende stehen da 199 Nennungen für den Keywordkönig-Beitrag in den Chats von ChatGPT, Perplexity oder Gemini. Das bedeutet Platz 1 im RankScale-Wettbewerb und Platz 3 bei Google. Letztlich bestätigt der Keywordkönig-Case genau das, was Andrea Volpini in seiner Analyse für WordLift schreibt. Wer die Pipeline beim Retrieval kapiert, gewinnt bei Google und den LLMs zur gleichen Zeit. Klar ist auch, dass die sieben Prinzipien hier im Text bloß Leitplanken sind, keine starre Checkliste. Wer drei davon wirklich extrem konsequent durchzieht, schlägt jede Seite, die alle sieben nur halbherzig abarbeitet.

Update 2026: Dieselbe Methodik hat mit serponado.org den SEO-Contest 2026 gewonnen, diesmal Platz 1 statt Platz 3, gestartet bei Domain Rating 0 wie alle 15 geprüften Contest-Domains. Die Prinzipien aus diesem Beitrag sind damit zweimal in Folge im Wettbewerb bestätigt. Den kompletten Ablauf zeigt der Beitrag zur Google Sandbox.

Content-Formatierung für LLMs: Zusammenfassung und nächste Schritte

Formatierung für LLMs ist kein Hype und kein leeres Buzzword. Die sieben Prinzipien sind schlichtes Handwerk. Die Botschaft an den Anfang, Überschriften mit echtem Entity-Bezug, keine Rückverweise im Text, ordentliche Verben, belegbare Fakten, Zitiermuster und die 70/30-Aufteilung. Wer das sauber umsetzt, verliert dadurch keinen eigenen Stil. Die Texte wirken danach meistens klarer, viel konkreter und weniger aufgebläht.

Den Heading-Isolation-Test halte ich für den effizientesten Start. Mit einer Stunde Arbeit pro Artikel findet man locker 80 % der typischen Fehler beim Formatieren. Das legt die Basis für echte Sichtbarkeit im Retrieval. Falls du tiefer rein willst: Lies am besten parallel die Sachen zu Semantischem SEO, Cost of Retrieval und der LLM-Sichtbarkeit. Das gehört technisch gesehen sowieso alles zusammen.

Wenn du wissen willst, wie dein Blog bei Passage-Retrieval und LLM-Sichtbarkeit dasteht, frag einen SEO-Audit an.

Häufige Fragen zur Content-Formatierung für LLMs

Quellen

• Volpini, Andrea (2026): „Why AI Cites Some Pages and Ignores Others“, WordLift Blog
• Indig, Kevin (2026): „The Science of How AI Pays Attention“, Growth Memo
• Gübür, Koray Tugberk: „Semantic SEO“, Holistic SEO Digital
• Barnard, Jason: „What is Entity-Based SEO?“, Kalicube
• Google Research (2025): GIST (Greedy Independent Set Thresholding), NeurIPS 2025 (Quellen-Selektion für AI Overviews und AI Mode)
• Google: „Passage Ranking Announcement“, Google Search On, 2020

Agenturen verkaufen „Generative Engine Optimization“ als eigenständige Disziplin, Konferenzen widmen dem Thema ganze Tracks, und LinkedIn quillt über mit „12 GEO-Tipps für 2026″. Gleichzeitig sagt Googles Nick Fox im Dezember 2025: „The way to optimize for AI experiences is the same as how to perform well in traditional search.“

Beide Seiten haben einen Punkt. Ich beschäftige mich seit knapp drei Jahren mit dem Google Knowledge Graph, Entitäten und semantischem SEO. Das sind genau die Dinge, die jetzt plötzlich als GEO-Revolution verpackt werden. Die Mechaniken hinter LLM-Sichtbarkeit sind nicht neu. Aber unsere Citation-Gap-Daten und aktuelle Studien von AirOps, Quoleady und FogTrail zeigen Unterschiede, die den zusätzlichen Aufwand rechtfertigen.

Was „ChatGPT SEO“ eigentlich ist und was nicht

ChatGPT SEO beschreibt die Maßnahmen, die dazu führen, dass KI-Systeme wie ChatGPT, Perplexity oder Gemini deine Marke in ihren Antworten erwähnen oder als Quelle verlinken. Es geht nicht um klassische Rankings, sondern darum, ob die KI dich empfiehlt, wenn jemand fragt.

Klingt erst mal nach einer komplett neuen Disziplin. Ist es ehrlicherweise nicht, jedenfalls nicht zu 80 bis 90 %. ChatGPT SEO steht auf denselben Fundamenten wie klassisches SEO (Suchmaschinenoptimierung): relevante Inhalte, saubere Technik und eine starke Marke. Die restlichen 10 bis 20 % betreffen die konkrete Art, wie ein LLM (Large Language Model) Quellen auswählt. Genau da lohnt sich ein genauerer Blick.

GEO ist zu 80 % einfach SEO

Was die GEO-Revolutionäre gern verschweigen: Das meiste davon machen gute SEOs seit Jahren. GEO (Generative Engine Optimization) ist ein Begriff, den Aggarwal et al. (Princeton, 2023) geprägt haben. Semantisches SEO, strukturierte Daten, Brand SEO: das ist keine GEO-Erfindung. Das sind etablierte Methoden, die bei LLMs genauso greifen wie bei Google.

David McSweeney, ehemals bei Ahrefs und Seobility, bringt das in seinem Artikel „The Great GEO Grift“ ziemlich klar auf den Punkt. Praktisch alle Maßnahmen, die heute als GEO-Taktiken verkauft werden, gehören laut ihm seit über zehn Jahren zu den Standard-SEO-Best-Practices. Lily Ray, Senior Director SEO bei Amsive, vergleicht den GEO-Hype mit AMP (Accelerated Mobile Pages) und Featured Snippets, letztlich ein Déjà-vu.

Was mich daran am meisten stört: Im deutschsprachigen Raum gibt es diese kritische Stimme fast gar nicht. Der DACH-Markt (DACH = Deutschland, Österreich, Schweiz) steckt noch in der Phase der unkritischen Übernahme. Agenturen stellen sich als „GEO-Agentur“ auf, ohne sauber zu trennen, was daran wirklich neu ist. Die Antwort ist in der Regel: nicht besonders viel.

Pro-Tipp: Wenn dir jemand GEO als eigenständiges Paket verkaufen will, frag nach dem konkreten Unterschied zu gutem SEO. Die Antwort sagt dir alles über den Anbieter.

Abb. 1: GEO vs. SEO, 80 bis 90 % der Maßnahmen sind identisch mit klassischem SEO.

Wie ChatGPT Quellen auswählt und warum PageRank egal ist

LLMs gewichten klassische Domain-Autorität schwächer als Google. Die AirOps-Analyse über 15.000 ChatGPT-Prompts zeigt: 74 % aller Citations gehen an Seiten mit einer Domain Authority unter 80. Relevanz und Lesbarkeit schlagen Backlink-Metriken. Gleichzeitig bleibt die SERP-Position (SERP = Search Engine Results Page) wichtig. Seiten auf Platz 1 in Google werden mit 43,2 % Wahrscheinlichkeit zitiert, 3,5x häufiger als Seiten außerhalb der Top 20.

Was die Datenlage hergibt, lässt sich kaum schöner reden. FogTrail hat 1.122 Citations in fünf KI-Suchsystemen ausgewertet. Nur 6,3 % davon verweisen überhaupt auf die Brand-eigene Website. ChatGPT empfiehlt Startups in 25 % der Queries auf Position 1, Perplexity hingegen in 0 % der Fälle. Die Quoleady-Studie über 10.000 LLM-Citations im SaaS-Kontext kommt zum selben Bild: 40 bis 72 % der Citations stammen aus Listicle-Seiten, nicht aus Expertise-Content. Die genaue Spannweite hängt von Branche und Intent ab, das Muster bleibt aber gleich.

Abb. 2: Woher LLMs ihre Quellen ziehen: Listicles dominieren, Brand-eigene Websites nur 6,3 %.

Eine Google-Autorität ist deswegen nicht automatisch eine LLM-Autorität. Weil LLMs Relevanz und thematische Passung stärker gewichten als klassische Domain-Metriken, haben auch kleinere Anbieter echte Chancen, zitiert zu werden. Der Content muss stimmen, nicht nur die Domain-Historie.

Retrieval Fan-out: Warum du für unsichtbare Sub-Queries ranken musst

32,9 % aller zitierten Seiten ranken nicht für die Original-Frage, sondern ausschließlich für eine dieser Sub-Queries. Und 95 % der Fan-out-Queries haben null Suchvolumen in klassischen Keyword-Tools. Du rankst also für Fragen, die nie jemand eingetippt hat. ChatGPT stellt sie sich intern, um deine ursprüngliche Anfrage zu beantworten.

Praktische Konsequenz: Dedizierte Seiten für Preismodelle, Feature-Vergleiche, Alternativen und Integrationen sind keine SEO-Spielerei mehr. Sie sind dein Ticket in die Sub-Query-Treffer. Hub-Seiten mit allem auf einer URL funktionieren schlechter als spezifische Landingpages pro Sub-Thema. Und Title-Tags, die konkrete Sub-Fragen spiegeln, verdoppeln laut AirOps die Citation-Wahrscheinlichkeit von 9,3 % auf 20,1 %.

Aus der AirOps-Auswertung kommt der für mich entscheidendste Befund: ChatGPT stellt pro Nutzer-Prompt im Schnitt nicht eine, sondern 2,88 Suchanfragen. Das System zerlegt die Eingabe in mehrere Sub-Queries, die das Thema aus unterschiedlichen Richtungen beleuchten: Preis, Features, Alternativen, Vergleiche. In der Fachsprache heißt das Retrieval Fan-out und tritt in 89,6 % aller ChatGPT-Suchen auf.

Jede KI-Plattform tickt anders

Keine einzelne ChatGPT-SEO-Strategie funktioniert für alle Plattformen. Die KI-Engines sind sich laut FogTrail in 50 % der Queries beim Top-Ergebnis uneinig.

Weil die Engines sich so uneinig sind, ist „für ChatGPT optimieren“ als isolierte Strategie eher kurzsichtig. Du optimierst letztlich für ein ganzes Ökosystem, und die Grundlagen dafür sind dieselben wie bei Google.

Brand Mention schlägt Text-Citation

Eine Brand Mention ist die namentliche Erwähnung deiner Marke in einer KI-Antwort, eine Text-Citation der Quellenverweis auf einen Textabschnitt. Die Brand Mention im Kaufkontext ist wertvoller als eine Text-Citation als eine von vielen Quellen. Ich würde mich immer eher für das Erwähnen meiner Marke freuen als für das Zitieren eines Textabschnitts. Du schreibst im eigenen Text in der Regel nicht weltbewegend Neues, damit bist du eine Quelle unter vielen. Deine Marke als direkte Empfehlung bei einer Kaufentscheidung ist deutlich mehr wert.

Aus unseren eigenen LLM-Monitoring-Daten: HECHT INS GEFECHT steht bei „Beste SEO-Agenturen in Deutschland“ im Durchschnitt aller LLMs unter den ersten 10, als Zwei-Mann-Agentur. Nicht weil wir den meisten Content haben, sondern weil die Marke in den richtigen Kontexten auftaucht.

Brand SEO liefert die Grundlage dafür: Konsistentes Brand-Building über alle Kanäle, nicht nur auf der eigenen Website. Entscheidend ist die Kongruenz: Was du extern über dich postulierst, muss auf deiner Website stehen. Schreibst du nicht auf deiner Website, was du machst, kann KI das auch nicht wissen. Wie SEO insgesamt zum Markenkanal wird, ordnen wir in einem eigenen Beitrag ein.

6 Hebel für LLM-Sichtbarkeit

ChatGPT SEO besteht aus 6 konkreten Maßnahmen: Content-Kongruenz, strukturierte Daten, Portal-Präsenz, thematisches Schreiben, Brand Buzz und technische Performance. Keine davon erfordert ein separates „GEO-Budget“, alle bauen auf solidem SEO auf.

Abb. 3: Die 6 konkreten Hebel für LLM-Sichtbarkeit im Überblick.

1. Content-Kongruenz: Schreib auf deine Website, was du machst

Unsere eigene Citation-Gap-Analyse zeigt die Lücke: ChatGPT erkennt uns bei „SEO Agentur Bremen“ und „SEO Agentur für E-Commerce“. Bei unseren Kernthemen GEO, Entity SEO und Semantic SEO erkennt er uns nicht. Der Grund: Zum Zeitpunkt der Analyse fehlten dedizierte Landingpages für diese Themen auf unserer Website. Externe Mentions allein reichen nicht, dein eigener Content muss das Bild bestätigen.

Deine Lücken findest du direkt: Frag ChatGPT nach deinen Kernthemen und prüfe, ob deine Marke auftaucht. Für jedes Thema ohne Erwähnung brauchst du eine eigene Seite mit Definition, Leistungsbeschreibung und konkreten Referenzen.

2. Strukturierte Daten als Kommunikationskanal

Viele reden über E-E-A-T-Signale, aber frag mal konkret nach, da kommt in der Regel nichts. E-E-A-T ist mehr als eine Autorenbox. E-E-A-T heißt kongruentes und konsistentes Brand-Building im Internet, onpage und offpage. Und der direkteste Weg, Google und LLMs zu verstehen zu geben, was du sagen willst, sind strukturierte Daten. JSON-LD steht für JavaScript Object Notation for Linked Data und ist dein direkter Kommunikationskanal. Nutze ihn. Organization Schema, sameAs-Profile, FAQ-Schema, Product Schema. Die Message muss eindeutig sein.

3. Portale und Listings: Der unterschätzte Citation-Multiplikator

Derzeit sind Portale und Listings die wichtigste Quelle für LLM-Citations, zumindest für Agenturen. In unserer Citation-Gap-Analyse taucht agenturtipp.de in 5 von 12 ChatGPT-Prompts als Top-Quelle auf. Die Quoleady-Studie bestätigt das in größerem Maßstab: 40 bis 72 % der LLM-Citations im SaaS-Kontext kommen von Listicle-Seiten, nicht von Expertise-Content.

Seiten, auf denen mehrere Brand Entities verglichen oder vorgestellt werden, haben oft gute Chancen auf Zitate. Je nach Branche kommen die Quellen aus anderen Ecken, klar, das Muster bleibt trotzdem konsistent. Im E-Commerce sind Testberichte und Vergleichsportale die größten Citation-Treiber. Bei Dienstleistern eher Branchenverzeichnisse und Bewertungsplattformen.

4. Thematisch arbeiten statt Keywords jagen

Keywords zeigen noch immer valides Interesse an, deswegen nutze ich sie als Orientierung. Für die Content-Strategie würde ich trotzdem eher thematisch arbeiten und nicht keyword-fixiert. Nischige Keywords mit klarem Intent bringen oft mehr Klicks als ein prestigeträchtiges Money Keyword. Vor allem dann, wenn du bestenfalls auf Seite 2 landest. Topic Research statt Keyword-Recherche halte ich für den besseren Ansatz. Für LLMs erst recht, weil die thematisch denken und nicht in Keyword-Matches.

5. Brand Buzz erzeugen und nicht abflachen lassen

Frischer Content funktioniert bei LLMs nachweislich besser. Gemini bevorzugt Content mit aktuellem Zeitstempel. HARO (Help a Reporter Out) und Featured bringen deine Marke in Journalisten-Anfragen, Podcast-Auftritte und Gastbeiträge setzen sie in frische Kontexte. Eine einmalige Erwähnungswelle verpufft, kontinuierlicher Buzz hält die Marke im Retrieval-Fenster der Modelle.

6. Schlanke, schnelle Website

Cost of Retrieval gilt nicht nur für Google. Eine schlanke Seite mit sauberem HTML (Hypertext Markup Language) hilft. Ein schneller Server auch, strukturierte Daten genauso. Für jedes System ist das leichter zu verarbeiten, egal ob Googlebot, GPTBot oder PerplexityBot. Generell gilt: Je einfacher du es den Crawlern machst, desto besser sind deine Chancen.

Konkret heißt das: Server-Antwortzeit unter 400 ms, kein unnötiges JavaScript, sauberes HTML5 ohne verschachtelte Frameworks. Laut AirOps (15.000 Prompts, März 2026) ruft ChatGPT im Schnitt 36,5 Seiten pro Prompt ab und zitiert davon nur rund 15 %. Dein Content konkurriert also mit Dutzenden anderen Seiten um einen Platz im Context Window. Schlanker Content gewinnt den Wettbewerb ums Context Window. Wie du deinen Content chunk-fähig für LLMs formatierst, zeigt ein eigener Beitrag.

Wie eng dieser Wettbewerb ist, zeigt eine seoClarity-Auswertung über fünf Märkte inklusive Deutschland (Februar bis Mai 2026): Rund 30 Domains vereinen 67 Prozent aller Zitationen innerhalb eines Themas, und ChatGPT ruft sechsmal mehr Seiten ab, als es zitiert. Die Zitierrate schwankte dabei deutlich, brach im März ein und erholte sich bis Mai fast auf den Ausgangswert. Verlass dich deswegen bei Sichtbarkeits-Messungen auf Zeitreihen statt auf Einzelmessungen.

Wo ChatGPT SEO nicht funktioniert

ChatGPT SEO scheitert an 3 Stellen: in rechtlich sensiblen Branchen, bei fehlender Messbarkeit und wenn die SEO-Basics nicht stehen.

Wir haben Kunden, deren Branche LLMs nicht gut abbilden. KI-Systeme sind vorsichtig bei sensiblen Themen und empfehlen dort weniger konkrete Marken.

Die Messbarkeit ist begrenzt. Es gibt keine Search Console für LLMs. Alle Monitoring-Tools arbeiten mit synthetischen Prompts und Stichproben. Ob die Stichproben das reale Nutzerverhalten abbilden, ist unbekannt. Wer dir exakte ROI-Zahlen (ROI = Return on Investment) für ChatGPT SEO verspricht, rät eher.

Und letztlich: Eine langsame Seite ohne strukturierte Daten und ohne klaren thematischen Fokus zitiert kein System. Weder Google noch ChatGPT.

Ob ChatGPT deine Marke bereits empfiehlt und woran es hakt, klärt der SEO-Audit: Wir analysieren deine Citation-Gaps und zeigen konkret, wo dein Content nachzieht.

Häufige Fragen zu ChatGPT SEO

Quellen

• Nick Fox, Google Senior Vice President, im AI Inside Podcast (Dez. 2025): Google says optimization for AI search is the same as SEO
• AirOps: The Influence of Retrieval Fan-out and Google SERPs in ChatGPT (März 2026, 15.000 Prompts)
• Quoleady: A Study of 10,000 LLM Citations (März 2026)
• FogTrail: We Analyzed Citations Across 5 AI Engines (Feb. 2026)
• Qwairy: Perplexity vs ChatGPT Citation Study Q3 2025
• ZipTie.dev: How LLMs Choose Sources to Cite (März 2026)
• David McSweeney: The Great GEO Grift (Okt. 2025)
• seoClarity: ChatGPT Citation Decline Analysis, 5 Märkte inkl. Deutschland (Mai 2026)

Genau das ist mir bei einem E-Commerce-Kunden passiert: 4 saubere Brand-Keywords, eine Marke mit Tradition, top Produkt. Auf Platz 1 stand trotzdem eine komplett andere Domain, weil Google nicht sauber entscheiden konnte, welche TLD (Top-Level-Domain) eigentlich die „echte“ ist. Kein Linkbuilding der Welt hätte das gefixt. Wir haben das Entity-Setup geradegezogen, danach standen alle 4 Keywords sauber.

Entity SEO liefert den Unterbau, auf dem dein Content überhaupt erst wirkt. Ich erkläre, was die Disziplin umfasst. Ein frischer Live-Test zeigt, was KI-Systeme über eine ungepflegte Entität zusammenfantasieren. Danach gehe ich die häufigsten Entity-Fehler aus unseren Audits durch.

Was ist Entity SEO?

Entity SEO ist der Teil von Semantischem SEO, bei dem du nicht für Suchbegriffe optimierst, sondern für Dinge: Personen, Marken, Orte, Konzepte. Im Knowledge Graph speichert Google Personen, Marken, Orte und Konzepte mit eigener ID, festen Eigenschaften und Beziehungen zu anderen Entitäten.

Klassisches Keyword-SEO behandelt Wörter wie Token. „Apple“ könnte alles sein, vom Obst über das Plattenlabel bis zum Konzern in Cupertino. Entitäten lösen die Mehrdeutigkeit auf: Im Knowledge Graph hängt an „Apple Inc.“ eindeutig „Steve Jobs“, „Cupertino“, „Tim Cook“. Erst die eindeutige Verknüpfung macht aus einer Buchstabenfolge eine klare Bedeutung.

Das Modell dahinter heißt EAV (Entity, Attribute, Value). Stell dir eine Datenbank vor, in der jede Entität Eigenschaften mit konkreten Werten trägt. „Bremen“ als Entität, „Einwohnerzahl“ als Attribut, „566.000“ als Value. LLMs (Large Language Models) sind die Sprachmodelle hinter ChatGPT und Co. Je sauberer du Inhalte nach dem EAV-Schema baust, desto leichter ordnen Google und LLMs deine Aussagen ein. Weiter unten zeige ich, wie das in der Praxis aussieht.

Der Live-Test: Was 5 KI-Systeme über eine Marke wissen

Von 20 KI-Antworten über unsere eigene Marke waren am 08.07.2026 genau 15 korrekt und 5 frei erfunden. Für den Test habe ich 5 KI-Systeme per API (Application Programming Interface) befragt: ChatGPT, Gemini, Claude, Perplexity und Mistral. Jedes System bekam dieselben 4 Fragen. Neben „Wer ist HECHT INS GEFECHT?“ und „Wer ist Benny Windolph?“ fragte ich nach der besten Bremer Adresse für Knowledge-Graph-Optimierung. Die vierte Frage wollte die harten Fakten: Gründungsjahr, Gründer, Standort, Spezialisierung.

Die korrekten Antworten stimmten teilweise bis zur Postadresse. Perplexity beantwortete alle 4 Fragen richtig, Mistral keine einzige. Die 5 falschen Antworten waren allerdings keine Wissenslücken. Es waren komplett erfundene Identitäten:

• Mistral erklärte HECHT INS GEFECHT zum Berliner Battle-Rapper „Max Hecht“, samt erfundener Alben („Hecht im Karpfen“, 2020) und erfundenem Beef mit Kool Savas.
• Bei der Personen-Frage („Wer ist Benny Windolph?“) lieferte Mistral einen Schauspieler aus „Sturm der Liebe“, ausgebildet an der Otto-Falckenberg-Schule.
• Bei den Firmenfakten erfand Mistral einen Gründer „Sebastian Hecht“, Gründungsjahr 2016, Standort Berlin, inklusive falscher Domain.
• Bei der Agentur-Frage empfahl Mistral 4 Anbieter samt frei erfundener Telefonnummern und E-Mail-Adressen. HECHT INS GEFECHT kam in der Antwort gar nicht vor.
• ChatGPT hielt die Marke für einen deutschen Gaming-YouTube-Kanal, weil es bei dieser einen Frage keine Web-Suche zog. Bei den 3 anderen Fragen suchte dieselbe Engine live im Netz und antwortete fehlerfrei, bis hin zu unseren Auszeichnungen.

Der eigentliche Befund steckt im Muster dahinter. Alle Antworten, die aus einer Live-Suche kamen, waren richtig. Alle Fehler kamen aus dem parametrischen Gedächtnis der Modelle, also dem, was beim Training hängen geblieben ist. Der InLinks-Gründer Dixon Jones hat mit Waikay ein eigenes Tool für solche Halluzinations-Diagnosen gebaut. Sein Befund deckt sich mit unserem Test: Wer seine Entität nicht pflegt, lässt die eigene Marke von einem Lottoautomaten beschreiben.

Die korrekten Antworten speisten sich aus genau der Infrastruktur, um die es in diesem Beitrag geht. Als Quellen zitierten die Systeme unsere Personen-Seite als Entity Home, das Agenturprofil beim Branchenportal OMT und die bremen.de-Visitenkarte. Die Systeme haben unsere eigene Kernbeschreibung teilweise wortgleich übernommen.

Pro-Tipp: Der Marken-Selbsttest dauert keine 10 Minuten. Frag 4 bis 5 KI-Systeme „Wer ist [deine Marke]?“ und zähl die korrekten Antworten. Das Verhältnis ist deine Entity-Baseline, und die falschen Antworten zeigen dir, welche Verwechslungen du ausräumen musst.

GEO und Entity SEO: zwei Hebel, ein System

Eine Studie von Princeton und Georgia Tech hat den Effekt sauberer Entitätsarbeit quantifiziert. Explizite Entitätsnennungen plus Fachterminologie heben die Sichtbarkeit in KI-Antworten um bis zu 40 %. Bei mir kommt das Thema in jedem zweiten Strategie-Workshop hoch: GEO (Generative Engine Optimization) und Entity SEO werden gerne gegeneinander ausgespielt. Sie sind aber kein Entweder-Oder. GEO macht deine Inhalte zitierfähig. Entity SEO sorgt überhaupt dafür, dass die KI dich als Quelle erkennt.

Warum Entity Authority wichtiger wird als Domain Authority

Domain Authority ist eine Metrik von Moz. Google kennt sie nicht, Google nutzt sie nicht. Trotzdem starren viele auf DR (Domain Rating) und DA (Domain Authority), als wäre das die Wahrheit. Dabei übersehen sie, was Google tatsächlich bewertet: die Entität hinter der Domain.

Im SEO-Contest 2026 ließ sich das sauber messen. Alle 15 geprüften Contest-Domains standen bei Ahrefs auf Domain Rating 0. Die Ranking-Unterschiede kamen ausschließlich aus Entity- und On-Page-Signalen. Die komplette Auswertung steht im Beitrag zur Google Sandbox.

Entity Authority ist kein Score, den dir ein Tool ausspuckt. Es beschreibt, wie eindeutig und vertrauenswürdig Google deine Marke im Knowledge Graph einordnet. Hinter einer Domain steckt am Ende nichts als ein Whois-Eintrag und eine Server-IP (IP = Internet Protocol). Marken sind etwas anderes. Sie haben Geschichte, Mitarbeiter, Standorte, ein Logo, das Menschen wiedererkennen. Ehrlicherweise war mir lange nicht klar, dass genau dieser Unterschied gemeint ist, wenn alle E-E-A-T sagen. Du baust Vertrauen nicht für eine URL auf, sondern für die Marke dahinter.

Jason Barnard (CEO Kalicube, Brand-SERP-Experte) prägt dafür den Begriff Algorithmic Trinity. Knowledge Graph, Suchindex und LLM greifen als 3 Schichten auf dieselbe Entity-Basis zu. Was in einer Schicht konsistent hinterlegt ist, wirkt in allen drei. SEO bedeutet heute, Google beizubringen, wer du bist und was du machst.

Pro-Tipp: Wer ein Knowledge Panel bekommt (den Marken-Infokasten rechts in der Google-Suche), holt laut Kalicube etwa 25 % mehr Klicks raus. Klingt erstmal nach wenig, summiert sich aber bei vier- bis fünfstelligem Search-Volumen schnell auf das Gehalt eines kleinen Teams pro Jahr. Ich finde, das rechtfertigt die Mühe.

Der Knowledge Graph: Googles Gedächtnis für Marken

Der Google Knowledge Graph ist Googles semantisches Netz: eine Datenbank aus Entitäten, ihren Eigenschaften und ihren Beziehungen. Wie du dort reinkommst und ein Knowledge Panel bekommst, habe ich in einem eigenen Leitfaden beschrieben. Hier deswegen nur der Punkt, der für Entity SEO zählt. Liegt für eine Suchanfrage ein Entity-Match im Knowledge Graph vor, beantwortet Google sie bevorzugt direkt aus dem Graphen. Das klassische Dokument-Ranking ist dann nur noch der Fallback. Wer im Graphen fehlt, kämpft im KI-Zeitalter mit einer Hand auf dem Rücken.

Eine Verwechslung räume ich dabei in fast jedem Kundengespräch aus: Das Knowledge Panel ist nicht das Google Business Profil. Das Business Profil ist ein Brancheneintrag mit Öffnungszeiten und Karte, gemacht für lokale Unternehmen. Das Knowledge Panel entsteht aus dem Knowledge Graph und steht Marken ohne Ladentür genauso offen. Gerade für Online-Shops ohne physischen Standort ist das Panel meist das richtigere Ziel, dort tauchen dann auch Trustpilot-Bewertungen auf.

Das EAV-Modell in der Praxis

Mittlerweile kommt EAV in fast jedem Erstgespräch auf den Tisch. Meistens folgt eine kurze Pause, dann sagt das Gegenüber: „Krass, deswegen klappt das bei uns also nicht.“ Ich mag das Modell genau deswegen. Es bricht den Content in die drei Teile auf, auf die Google eh schaut. So merkst du erst, was du bisher einfach dem Zufall überlassen hast.

Entity (Das Ding): Deine Marke, ein Produkt, eine Person oder ein Ort.

Attribute (Die Eigenschaft): Was an dem Ding relevant ist. Gründungsjahr, Standort, die Branche oder eine Spezialisierung.

Value (Der Wert): Die exakte Ausprägung. Bei uns konkret „2021“, „Bremen“ oder eben „E-Commerce-SEO“.

In der Praxis heißt das: Überschriften, Titel, die Meta-Tags und Beschreibungen brauchen diese Bausteine. Sonst weiß Google nicht, wo oben und unten ist. Wir hatten einen Kunden, dessen Service-Seite ewig „Unsere Leistungen“ hieß. Da stand für Google gar nichts drin. Wir haben das auf „SEO-Leistungen für E-Commerce: Technisches SEO, Semantisches SEO und GEO“ umgestellt. 3 Monate später hatten wir plötzlich Rankings für die ganzen Einzelthemen.

Koray Tuğberk Gübür (Holistic SEO Digital) hat das System für Entity SEO erst so richtig aufbereitet. Seine Ansage ist letztlich eine Provokation: Content besteht nicht aus Texten, sondern aus strukturierten Fakten. Ich hab das beim ersten Mal auch ignoriert. Erst beim dritten Lesen hab ich kapiert, wie tief das wirklich geht.

Google selbst beschreibt das in eigenen Patenten, Stichwort „Data Janitors“. Der Konzern extrahiert Fakten über Entitäten aus dem Web, als strukturierte Tupel aus Attribut, Wert und Konfidenz. EAV-konformer Content liefert Googles Fakten-Extraktion genau das Futter, das sie erwartet.

Der Ansatz funktioniert auch jenseits von Google. Bei einem Kunden mit faktendichter Über-uns-Seite zog die KI-Suchmaschine Brave Search Gründungsdatum, Geschäftsführung und Standort fehlerfrei aus dem Text. Maschinen belohnen Fakten, die wie Fakten formuliert sind.

EAV im Titel: so geht’s

Schwache Überschriften scheitern fast immer an demselben Punkt: Sie sagen nicht, in welche Richtung der Inhalt gehen wird. Google und LLMs lesen den Titel, urteilen in Millisekunden und entscheiden, ob sie überhaupt weiter rendern.

Entität setzt das Thema, Attribut gibt die Richtung. Ohne Attribut bleibt der Titel ein leerer Container. Google muss raten, LLMs ignorieren ihn meistens einfach.

Salience: Die Marke muss das Subjekt sein

EAV regelt, welche Bausteine in den Text gehören. Salience ist der Messwert dafür, wie stark eine Entität einen Text dominiert. Google bestimmt für jede Seite die zentrale Entität und verwirft die peripheren, das Verfahren dazu ist seit 2015 patentiert (US 9,009,192, „Identifying central entities“). Salience ist außerdem messbar: Die Google Cloud Natural Language API spuckt für jeden Text aus, welche Entität wie stark dominiert.

Die wichtigste Regel daraus ist unbequem simpel: Die Marke gehört als Subjekt an den Satzanfang. „HECHT INS GEFECHT ist eine SEO-Agentur aus Bremen“ gibt der Marke den höchsten Salience-Wert. „Als SEO-Agentur unterstützen wir bei HECHT INS GEFECHT…“ verschenkt ihn an den Themenbegriff. Im SEO-Contest 2026 haben wir Texte vor Veröffentlichung per API gegengemessen. Die Marke lag danach bei einem Salience-Wert von 0,716, der mitgenannte Themenbegriff bei 0,103. Der Unterschied zwischen beiden Formulierungen ist für Menschen kosmetisch. Für die Maschine entscheidet er, wovon der Text handelt.

Neben der Subjekt-Regel prüfen wir bei jedem Audit 4 semantische Regeln als erstes:

• Konsistente Terminologie (Regel 26): Nenne deine Entität immer gleich, jede Synonym-Variation verwässert den Bezug.
• Explizite Relationen (Regel 27): Maschinen brauchen ausformulierte Subjekt-Prädikat-Objekt-Strukturen. Aus „Wir machen SEO in Bremen“ wird deswegen „X ist eine SEO-Agentur mit Sitz in Bremen“. Die Beziehung zwischen den Entitäten steht dann explizit im Satz und muss von keiner Maschine erraten werden.
• Max. 2-3 Entitäten pro Absatz (Regel 28): Zu viele Entitäten in einem Absatz verwässern die Zuordnung. Google und LLMs verarbeiten Text absatzweise. Fünf Marken in einem Absatz machen es unmöglich, den Fokus zu erkennen.
• Entity-Disambiguierung im Eröffnungssatz (Regel 40): Der erste Satz einer Sektion sollte die Entität eindeutig einordnen. KI-Systeme entscheiden anhand der Eröffnung, welcher Entität ein Textblock zugeordnet wird.

Entity Confusion: 5 Arten, wie Marken ihre Identität verlieren

Entity Confusion ist der Fall, dass Google und LLMs deine Marke mit jemand anderem verwechseln oder gar nicht zuordnen. Sie gehört zu den häufigsten und am wenigsten diagnostizierten SEO-Fehlern. Nach gut hundert Audits sehe ich immer wieder dieselben 5 Muster.

1. Domain-Duplikate: mehrere Adressen für eine Marke

Fall 1 ist der Klassiker: ein E-Commerce-Kunde mit mehreren TLDs für denselben Markennamen, eine davon mit Zwischenseite. Google war verwirrt, für das eigene Brand-Keyword stand die falsche TLD auf Platz 1, die richtige Domain auf Platz 8 bis 10. Die Lösung war reine Eindeutigkeit: alle Domains per 301-Redirect konsolidiert, Adressänderung in der Search Console, Organization-Schema ausgebaut, konsistente Markenpräsenz in Verzeichnissen. Heute ranken alle 4 Brand-Keywords auf Platz 1, ohne einen einzigen neuen Backlink.

2. Namenskollision: der Name gehört schon jemand anderem

Ein Dienstleister aus einem Audit trägt einen Markennamen, der zugleich eine Jahreszahl und der Name eines millionenfach installierten Software-Produkts ist. Wir haben 5 KI-Systeme nach der Marke gefragt. Zwei lasen den Namen wörtlich als Kalenderjahr und fragten nach Kontext. Drei erklärten ausführlich das Software-Produkt, eines davon verneinte ausdrücklich, dass es ein Unternehmen dieses Namens gibt. Verschärft wurde das durch das eigene Schema-Markup, das die Firma auch noch als Software-Produkt austypisierte und die Verwechslung damit maschinenlesbar bestätigte.

Bei einem Weiterbildungsinstitut mit mehrdeutigem Kürzel haben wir den Schaden beziffert. Von 48 LLM-Treffern zur Marken-Abkürzung meinten nur 27 wirklich das Institut. Das ist eine Trefferquote von gerade einmal 56 %. Fast jede zweite Antwort ging an Namensvettern, darunter ein längst geschlossenes Institut, das in Datenbanken weiterlebt. Deswegen sage ich in jedem Naming-Gespräch: Der Markenname ist eine SEO-Entscheidung. Prüfe vor der Namenswahl Google, das Markenregister und die KI-Systeme.

3. Selbst-Fehlauskunft: das eigene Schema erzählt Unsinn

Der unangenehmste Typ, weil selbst verschuldet: Eine Fachklinik einer Klinikkette wies im eigenen Organization-Schema nicht den Klinik-Namen aus, sondern den des Mutterkonzerns. Ursache war ein global vererbtes SEO-Plugin-Feld, das bei der Ersteinrichtung mit dem Konzernnamen befüllt und nie umgestellt wurde. Die Klinik erklärte sich maschinenlesbar selbst zur falschen Entität. In dieselbe Kategorie fallen sameAs-Arrays mit leeren Einträgen aus halbfertigen Theme-Setups und Firmen, die sich im Author-Knoten als „Person“ typisieren. Ein aktiver Fehler im Schema ist schlimmer als gar kein Schema, weil er die Verwechslung technisch beglaubigt.

4. Gespaltene Entität: Markenwissen und Geschäft leben getrennt

Eine große Modemarke aus einem Audit hat kein Knowledge Panel, obwohl vergleichbare Wettbewerber eines haben. Der Grund ist strukturell. Sämtliche Markenfakten (Gründungsjahr, Rechtsform, Firmensitz) liegen auf einer Corporate-Subdomain. Der Shop mit über 10.000 URLs verlinkt mit keinem einzigen internen Link dorthin. Google und LLMs behandeln getrennte Hosts als getrennte Entitäten. In der LLM-Analyse wurde die Corporate-Subdomain doppelt so oft zitiert wie der Shop (62 zu 31 Zitationen). Das gesamte Markenwissen sitzt auf der Seite, die kein Geschäft macht.

Die B2B-Variante derselben Spaltung habe ich bei einem Softwareanbieter mit Mutter- und Tochtergesellschaft gesehen. Drei Adressen waren im Umlauf, und Google führte bereits zwei getrennte Knowledge-Graph-Entitäten für dieselbe Firma. Ohne subOrganization-Modellierung im Schema liest Google Mutter und Tochter als widersprüchliche Signale statt als Konzernstruktur.

5. Alt-Identitäten: veraltete Profile aktiv entfernen

Entity-Pflege heißt auch löschen. Bei einem Shop-Kunden störte ein veraltetes Google Business Profil unter dem alten Markennamen die Zuordnung, die Lösung war das aktive Entfernen über die Meldefunktion. Dasselbe gilt für alte Verzeichniseinträge, verwaiste Profile und tote Domains: Jede Alt-Identität, die weiter im Netz steht, ist ein Signal gegen deine aktuelle.

Strukturierte Daten: Das Protokoll für Maschinen

Schema-Markup ist die technische Seite von Entity SEO, das Format dafür ist JSON-LD (JavaScript Object Notation for Linked Data). Die Grundlagen samt Pflicht-Attributen habe ich im eigenen Beitrag dazu beschrieben. Hier nur die 4 Werkzeuge, die für die Entity-Arbeit den Unterschied machen.

disambiguatingDescription: Das direkteste Mittel gegen Entity Confusion und trotzdem fast nirgends im Einsatz. Das Feld trägt eine Abgrenzungs-Beschreibung direkt im Schema, zum Beispiel „Die X GmbH ist ein Unternehmen aus Köln“. So lieferst du Google die Entität „Köln“ als Anker mit. Gleichnamige Firmen grenzt du damit sauber ab. Bei jedem Kunden mit Namensvettern gehört das Feld ins Organization-Schema.

sameAs: Verknüpft deine Entität mit allen Profilen im Netz. Wir pflegen für unsere eigene Marke über 100 Profile im sameAs, von LinkedIn über Northdata bis Crunchbase. Die Verlinkung läuft bidirektional: Jedes Profil verlinkt zurück auf die Website, die Website auf jedes Profil. Korroboration in beide Richtungen ist der Mechanismus, über den Google Quellen gegeneinander bestätigt. Pro-Tipp: Das Organization-Schema gehört auf jede Unterseite, nicht nur auf die Startseite. Nicht jede Seite wird über die Startseite erreicht.

subjectOf: Verlinkt auf Publikationen und Beiträge über die Entität. Beim Keywordkönig-Wettbewerb haben wir damit experimentiert und 10 Konkurrenten als subjectOf ins eigene Schema eingebaut. Am Ende standen 199 LLM-Erwähnungen und Platz 1 im KI-Wettbewerb von RankScale. Beim SEO-Contest 2026 haben wir das Pattern auf serponado.org wiederholt: 10 echte Konkurrenz-Artikel als Article-Knoten mit about-Rückverweis auf die eigene Entität. Alles bleibt komplett unsichtbar im Content, damit weder Linkkraft noch redaktionelles Endorsement an Rivalen abfließt. Die Domain gewann Platz 1. Aus dem Experiment von 2025 ist damit eine zweifach validierte Methode geworden.

@id: Wer die Primärentität der Seite ist

Der unterschätzteste Mechanismus im ganzen JSON-LD ist das @id-Attribut. Ein Knoten, dessen @id der Canonical-URL der Seite entspricht, beansprucht den Primärentitäts-Slot: Nur diese Entität darf dann Attribute wie Bewertungssterne tragen. Bei einer Ticketing-Plattform haben wir das über 129 Seiten ausgewertet. Seiten ohne konkurrierenden @id-verankerten Knoten zeigten zu 100 % Review-Sterne. Seiten mit einem @id-verankerten Event-Knoten ohne Rating kamen nur auf 4 %. Das Rating-Markup selbst war überall valide. Die Sterne verschwanden allein deshalb, weil die falsche Entität die Seite für sich reklamierte. Faustregel: Pro Seite trägt genau die Primärentität das aggregateRating, und kein anderer Knoten beansprucht die Canonical via @id.

Strukturierte Daten leben übrigens nicht nur im Quellcode. Tabellen, Listen, klare Hierarchien sind Strukturierung in einer anderen Form. Eine ordentlich gebaute Vergleichstabelle hilft Menschen schneller, hilft Maschinen sofort.

Entity SEO für B2B: das unterschätzte Spielfeld

Im B2B gilt Entity SEO oft als Nebenschauplatz, dabei wirkt es dort am stärksten. Das Umfeld hat wenige Wettbewerber und klare Fachbegriffe, und Kaufentscheidungen beginnen zunehmend mit einer Frage an ChatGPT.

Wie das schiefgeht, zeigt ein Fall aus dem Marken-SEO-Kontext: ein Softwareanbieter aus dem DACH-Raum (Deutschland, Österreich, Schweiz), 30 Jahre am Markt, solide Fachkompetenz. ChatGPT kennt sogar sein Hauptprodukt, zitiert als Quelle aber den Branchenverband statt der eigenen Domain. Messbare LLM-Erwähnungen der Marke: null. Alter und Expertise reichen nicht, wenn die Entität nie sauber definiert wurde.

Drei B2B-spezifische Hebel:

• Konzernstruktur modellieren: Mutter, Töchter und Landesgesellschaften gehören per subOrganization und parentOrganization ins Schema, mit je eigener, konsistenter Adresse. Sonst zerfällt die Firma im Knowledge Graph in konkurrierende Duplikate, wie beim Softwareanbieter mit den zwei getrennten Knowledge-Graph-IDs.
• Personen als Entitäten aufbauen: Geschäftsführung und Fachexperten brauchen eigene Seiten mit Person-Schema, worksFor-Verknüpfung und sauberen LinkedIn-Profilen. B2B-Kaufentscheider googeln Menschen, LLMs zitieren Menschen.
• Belegbare Fakten statt Superlative: In Kundenprojekten kommt ständig die Frage auf, ob „Marktführer“ oder „bestbewertet“ in die zentrale Markenbeschreibung darf. Aus Entity-Sicht ist die Antwort klar. Unbelegte Superlative kann keine Maschine verifizieren, sie schwächen das Vertrauen in die Entität. „25 Jahre am Markt, 850.000 Kunden, 30 Standorte“ ist das robustere Signal, weil jede Zahl korroborierbar ist.

Entity SEO starten: Was du heute tun kannst

Entity SEO braucht jeder, vom Solo-Unternehmer bis zum Konzern. Mit 5 Grundbausteinen kommst du erstaunlich weit. Ich gehe sie in der Reihenfolge durch, in der ich sie bei Kunden angehe.

Baustein 1 ist bei mir immer die eigene Entity-ID. Tipp mal deine Brand bei Google ein und schau, ob rechts ein Knowledge Panel aufploppt. Ob Google überhaupt schon eine ID für dich reserviert hat, siehst du im Knowledge Graph Explorer von Kalicube. Achte dabei auf das ID-Präfix: IDs, die mit /g/ beginnen, sind web-generiert und wackelig. IDs mit /m/ stammen aus dem Wikidata/Freebase-Bestand und sitzen fest. Tauchen für deine Marke mehrere IDs auf, ist deine Entität fragmentiert, dann weißt du, woran du arbeitest.

Der Knowledge Graph Explorer taugt nebenbei als Themen-Diagnose: Liefern zwei verschiedene Suchbegriffe denselben Entity-Kasten, behandelt Google sie intern als ein Thema. Dann brauchst du dafür auch keine zwei getrennten Seiten.

Baustein 2 ist Konsistenz. Name, Beschreibung und Kerndaten müssen überall exakt gleich aussehen, wo deine Marke auftaucht. Deine Über-uns-Seite dient dabei als dein Entity Home, der zentrale Ort, an dem Google und die LLMs checken, wer du bist. Die Regeln für NAPD (Name, Address, Phone, Description) stehen im selben Beitrag. Was ohne Entity Home passiert, habe ich bei einem Shop-Kunden gesehen. Bing hatte bereits ein Panel für die Marke. Die Beschreibung zog sich die Suchmaschine aber mangels Über-uns-Seite von einer zufälligen Produkt-Unterseite. Die Suchmaschine bastelt sich dann selbst irgendwas zusammen.

Baustein 3, das Schema-Markup, fass ich erst an, wenn die Konsistenz im Netz sitzt. Alles andere ist Fassadenkosmetik an einem schiefen Haus. Ich hab früher selbst ewig zuerst am Schema geschraubt und mich dann gewundert, warum die Ergebnisse ausblieben.

Baustein 4: Sobald das Gerüst steht, wird EAV zum Werkzeug für deine Headlines, und die Marke wandert als Subjekt an die Satzanfänge. Kleiner Tipp: Lies mal eine Sektion laut vor. Ein Fremder muss allein durch die Headline sofort verstehen, worum es geht.

Entity-Pflege ist Dauerbetrieb

Baustein 5 ist der unbequemste: Entity-Pflege endet nie. Ich habe selbst rund 39 Knowledge Panels für Personen getriggert. Trotzdem ist mein eigenes Panel schon mehrfach zerfallen. Einmal löste Google aus einem sauber zusammengeführten Eintrag wieder ein separates Profil heraus. Ein anderes Mal verschwand das Panel, als mein Wikidata-Eintrag gelöscht wurde. Vermutlich hatte ich schlicht nicht kongruent genug über mich kommuniziert. Entity SEO ist kein Projekt mit Enddatum, es ist die Disziplin, die eigene Geschichte konsequent gleich zu erzählen.

Brand Mentions: Der unterschätzte Hebel

Meinen Kunden erkläre ich oft, dass Brand Mentions der Hebel sind, den fast alle unterschätzen. Branchenverzeichnisse, Gastbeiträge, Podcasts oder Interviews bringen es letztlich. Die Wirkung sehen wir in den LLM-Antworten meist schon nach wenigen Monaten, die klassischen Google-Rankings ziehen oft erst deutlich später nach. Unser Live-Test oben zeigt den Mechanismus in Aktion: Die korrekten KI-Antworten wurden wortwörtlich aus Verzeichnisprofilen und der eigenen Über-uns-Seite gespeist.

Ein Reality-Check gehört dazu. Citations sind Verzeichnis- und Profileinträge mit den Marken-Stammdaten. Beim Entity-Aufbau im SEO-Contest 2026 war trotz bezahltem Indexierungs-Push nur rund ein Drittel dieser Citation-URLs bei Google indexiert. Kuratierte Premium-Profile schnitten dabei drastisch besser ab als Masse-Verzeichnisse. Kuratierung schlägt Menge, auch hier.

Wenn ich einem Kunden nur einen einzigen Satz mitgeben dürfte, wäre es dieser: Pass auf, was du über dich nach außen sagst. Auf der eigenen Seite, in Verzeichnissen, in Interviews. Was du machst, wofür du stehst, wo du anders bist als die Konkurrenz. Im Kern ist Entity SEO nichts anderes als die Disziplin, das konsequent durchzuhalten.

Häufige Fragen zu Entity SEO

Quellen

• Jason Barnard: The Kalicube Process: Entity SEO, Kalicube, 2026
• Koray Tugberk Gübür: Entity-Attribute-Value Architecture, Holistic SEO Digital
• Google Patent US 9,009,192: Identifying central entities, erteilt 2015
• Dixon Jones: Treating the world as objects, not words, InLinks / Waikay, 2025
• Aggarwal et al.: GEO: Generative Engine Optimization, Princeton / Georgia Tech, 2024
• Google: Knowledge Graph Search API, Google Developers
• Google Cloud: Natural Language API, analyzeEntities, Google Cloud Docs

Die These ist steil in einer Branche, in der „Backlinks kaufen“ jeden Monat 1.000 Mal gegoogelt wird. Und in der Agenturen ihre Daseinsberechtigung daraus ableiten, dir jeden Monat 50 neue Links zu liefern. Deswegen will ich hier erklären, warum wir das anders sehen, und was wir stattdessen machen.

Was Backlinks eigentlich sind (und was nicht)

Ein Backlink ist eine Verlinkung von einer anderen Website auf deine. Google hat Backlinks ursprünglich als Empfehlungen gewertet: je mehr Empfehlungen, desto besser. Das war die Grundidee hinter PageRank, dem Algorithmus hinter Googles Aufstieg.

Nur haben SEOs und Spammer das PageRank-System von Tag eins an ausgenutzt. Und Google hat seitdem massiv gegengesteuert.

Gary Illyes, Googles Search Analyst, sagte 2024 auf einer Konferenz: „We need very few links to rank pages. Over the years we’ve made links less important.“ Schon 2023 stellte er klar, dass Links nicht mehr zu den drei wichtigsten Ranking-Faktoren gehören. John Mueller, ebenfalls Google, formulierte es noch deutlicher: „Over-focusing on links will often result in you wasting your time.“

Im März 2024 hat Google sogar das Wort „important“ in Bezug auf Links als Ranking-Faktor aus der offiziellen Dokumentation entfernt. Das sind keine subtilen Signale.

Warum gekaufte Backlinks in der Regel nichts bringen

Gekaufte Backlinks sind eine vermeintlich einfache Lösung: Geld auf ein Problem werfen. Heraus kommen schlecht geschriebene Gastbeiträge auf digitalen Käseblättern, die heute dein Produkt bewerben und morgen das von irgendeinem überregionalen Gas-Wasser-Scheiße-Betrieb.

Da ist kein thematischer Fit. Da ist kein Traffic. Und ein Backlink ohne Traffic auf der verlinkenden Seite ist wertlos.

Dasselbe gilt für die gängigen Linkbuilding-Pakete: 20 Links für 500 Euro, 50 Links für 1.000 Euro. Was du dafür bekommst, sind Einträge auf Seiten, die kein Mensch liest. Google ist mittlerweile gut genug, um genau das zu erkennen.

Pro-Tipp: Die schiere Anzahl an Backlinks sagt gar nichts aus. Ein qualitativ hochwertiger Link von einer autoritativen Website (auf einer Unterseite mit echtem Traffic) kann 10.000 schlechte aufwiegen. Wer dir „mehr Backlinks“ als Lösung verkauft, hat das Problem nicht verstanden.

Domain Rating und Domain Authority: Vanity Metrics

Domain Rating und Domain Authority sind die Vanity Metrics der Backlink-Industrie. Viele gucken auf die Werte von Ahrefs und Moz und leiten daraus ab, dass sie „mehr Backlinks brauchen“. Beide messen aber nicht das, was Google tatsächlich bewertet. Sie messen, wie gut dein Backlink-Profil im Vergleich zu anderen aussieht. Die Kriterien stammen vom Drittanbieter, nicht von Googles Algorithmus.

Ehrlicherweise: Ich gucke immer seltener auf Domain Rating und Domain Authority, weil mir die Werte in der Praxis nichts sagen.

Ein Beispiel: AlexAsia hatte ein schwaches Backlink-Profil. Nach einem Website-Umbau und einer thematischen Neuordnung der Inhalte (ohne Linkbuilding) stieg der Traffic von 300 auf bis zu 3.000 Klicks pro Tag. Der organische Trafficwert bei SEMrush lag zeitweise bei 140.000. Content und Struktur haben das erreicht, nicht Backlinks.

Der SEO-Contest 2026 lieferte dazu den Feldversuch: Alle 15 frischen Contest-Domains, die ich Mitte Juni durch Ahrefs gejagt habe, standen auf Domain Rating 0, rund 90 % ihrer verweisenden Domains waren derselbe generische PBN-Spam. Die Ranking-Unterschiede kamen aus Entity- und On-Page-Signalen, und zwei echte Quellen (Crunchbase mit DR 91, ein Karteneintrag mit DR 74) führten den Linkvergleich des gesamten Felds an. Wie die Domain damit von Rating 0 auf Platz 1 kam, zeigt der Beitrag zur Google Sandbox.

Was stattdessen funktioniert: Brand Mentions und Citations

Eine Backlink-Strategie bezeichnet den Plan, wie und ob eine Website gezielt externe Verlinkungen aufbaut, und ob das überhaupt sinnvoll ist.

Den Hebel bilden stattdessen 3 Bausteine: Citations, Brand Mentions und Content-Struktur. Im Detail:

Abb. 1: Gekaufte Backlinks im Vergleich zu Citations, Brand Mentions und Content.

1. Citations als Fundament

Eine neue Domain braucht Sichtbarkeit. Nicht durch gekaufte Links, sondern durch Citations: Einträge in Branchenbücher und Verzeichnisse. Lokale Branchenbücher für lokale Unternehmen. Thematisch passende Portale für die Branche. Generische, bundesweite Verzeichnisse für die Grundabdeckung.

Citations sind ein solides Fundament. Und genau dieselben Taktiken funktionieren auch für die Sichtbarkeit in LLMs.

2. Brand Mentions statt Backlinks

Google erkennt und bewertet unverlinkte Erwähnungen deiner Marke. Gary Illyes bestätigte das bereits 2017: „I’m not talking about just links, but also mentions on social networks and people talking about your branding.“

Für Brand SEO bedeutet das: Wenn deine Marke in einem Fachartikel ohne Link erwähnt wird, hat das trotzdem einen Wert. Für Google und erst recht für Large Language Models (LLMs) wie ChatGPT und Perplexity, die nicht auf PageRank als direktes Signal angewiesen sind.

Letztlich geht es darum, dass deine Marke im Internet präsent ist. In Presseartikeln, auf Reddit, in Fachforen, in Podcasts. Das erreichst du nicht mit gekauften Links, sondern mit Digital PR (Public Relations). Beispiele sind Plattformen wie Quoted, Featured oder HARO (Help a Reporter Out), auf denen Reporter nach Expertenstimmen suchen.

3. Content und Struktur

Der AlexAsia-Case zeigt es deutlich: Eine saubere Website-Architektur, thematisch klar strukturierte Inhalte und semantisches SEO bringen mehr als jede Backlink-Kampagne. Wenn Google über deine Webseite etwas lernen kann, das im Internet noch nicht steht, dann rankst du. Backlinks hin oder her.

Was die Linkbuilding-Industrie nicht erzählt

„Backlinks kaufen“ hat 1.000 Suchanfragen im Monat in Deutschland. Das ist aktive Nachfrage. Und eine ganze Industrie lebt davon, den Backlink-Mythos am Leben zu halten.

Der Großteil der Backlink-Builder bewegt gar nichts. Die Links landen auf Seiten ohne Traffic, ohne thematischen Bezug, ohne Autorität. Generell gilt: Wenn ein Link leicht zu bekommen ist, ist er in der Regel auch nichts wert.

Vielleicht kennst du das: Deine bisherige Agentur liefert dir jeden Monat einen Report mit 20 neuen Backlinks. Aber dein Ranking bewegt sich nicht. Ein E-Commerce-Kunde von uns gibt monatlich mehrere tausend Euro für Backlinks aus, ohne klare Evidenz, dass die Investition etwas bringt. Viele Unternehmen zahlen jahrelang für Linkbuilding, weil ihnen niemand sagt, dass es Alternativen gibt.

Backlinks und LLM-Sichtbarkeit: Die neue Realität

Backlinks spielen nicht nur für Google eine Rolle, sondern auch für ChatGPT, Perplexity und Google AI Overviews (AI = Artificial Intelligence). Für KI-Systeme gilt eine 2-stufige Logik: Erst entscheidet ein Mindestmaß an Vernetzung, dann die Relevanz deiner Marke.

Ein gewisser PageRank ist nötig, um überhaupt in LLMs aufzutauchen. Das hängt sehr wahrscheinlich mit dem Harmonic-Centrality-Wert zusammen. Die Metrik aus der Graphentheorie misst, wie gut vernetzt deine Seite im Gesamtnetzwerk des Webs ist. Ohne jegliche Verlinkung bist du für LLMs unsichtbar.

Aber ab der Schwelle zählen andere Faktoren, und das ist der entscheidende Punkt. Die OtterlyAI-Studie (2026) analysierte über eine Million AI-Citations. Nur 38 % der KI-Zitierungen stammen von Seiten, die auch in den Top-10 der organischen Suche stehen. LLM-Sichtbarkeit und SEO-Performance sind nicht dasselbe.

LLMs zitieren stattdessen vor allem Reddit, Wikipedia und Forbes: Community-Plattformen erfassen 52,5 % aller Citations. Da entscheidet nicht dein Backlink-Profil, sondern ob Nutzer, Journalisten und Communities deine Marke in relevanten Kontexten erwähnen.

Abb. 2: LLM-Sichtbarkeit hat wenig mit Google-Rankings zu tun. Community-Plattformen dominieren die KI-Zitierungen.

Pro-Tipp: Beim Keywordkönig-Wettbewerb habe ich 199 LLM-Erwähnungen erzielt und den KI-Wettbewerb gewonnen. Nicht durch klassisches Linkbuilding, sondern durch Citations, strukturierte Daten und eine klare Entity-Strategie. Local-SEO-Taktiken funktionieren auch für LLMs.

2026 folgte der nächste Beleg: Beim SEO-Contest 2026 gewann meine brandneue Domain serponado.org Platz 1 bei Google, gestartet bei Domain Rating 0 und komplett ohne Linkbuilding. Der Hebel war derselbe Baukasten aus Schema, Definition, Citations und Bewertungen, aufgebaut in Tagen statt Monaten, das zweite Treppchen in Folge für die Entity-Strategie.

Wann Backlinks doch sinnvoll sind

Ich sage nicht „gar keine Backlinks“. Das wäre genauso dogmatisch wie das Gegenteil. Es gibt 3 Situationen, in denen Backlinks sinnvoll sind:

• Neue Domains brauchen ein Fundament an Citations, damit Google überhaupt von der Seite Notiz nimmt.
• Digital PR über Quoted, HARO oder Featured ist eine Form von Linkbuilding, aber eine qualitative. Hier bekommst du Erwähnungen und Links in echten Presseartikeln mit echtem Traffic.
• Broken Backlinks reparieren ist Pflicht. Wenn externe Seiten auf 404-Seiten verlinken, geht Link Juice verloren.

Abb. 3: Die drei Ausnahmen, in denen Backlinks sinnvoll sind.

Der Unterschied: Das ist kein laufendes Linkbuilding-Programm. Das ist eine einmalige Grundlage plus gezielte Digital PR. Mit Augenmaß, nicht mit Gießkanne.

Wer sein bestehendes Backlinkprofil analysiert, sollte auf 3 Dinge achten: erstens Anchor-Text-Diversität, denn zu viele identische Ankertexte sind ein Manipulationssignal. Zweitens das Verhältnis von dofollow- zu nofollow-Links. Drittens toxische Links, die per Disavow-Datei bei Google eingereicht werden können. Das ist keine aktive Strategie, sondern Pflege.

Checkliste: Backlink-Strategie mit Augenmaß

Bevor du Geld für Linkbuilding ausgibst, prüfe die folgenden Punkte:

Abb. 4: 6 Punkte, die du prüfen solltest, bevor du Geld für Linkbuilding ausgibst.

• Ein solides Fundament an Citations steht (Branchenbücher, Verzeichnisse).
• Die Inhalte ranken thematisch klar und strukturiert.
• Deine Über-uns-Seite ist als Entity-Hub aufgebaut.
• Strukturierte Daten sind sauber implementiert.
• Technisch ist die Website sauber: schnelle Ladezeiten, sauberes HTML (Hypertext Markup Language), gute Crawlbarkeit.
• In relevanten Kontexten wirst du erwähnt (Fachforen, Reddit, Presseberichte).

Wenn alle Punkte erfüllt sind und du trotzdem nicht rankst, ist Linkbuilding vielleicht ein Hebel. In meiner Erfahrung ist das aber selten der Fall.

Wenn du wissen willst, wie eine Backlink-Strategie für deine Domain konkret aussieht (ohne Linkbuilding-Pakete und ohne Geldverschwendung), schau dir unseren SEO-Audit an.

Quellen

• Gary Illyes (Google): „Links are not a top 3 ranking factor“, Search Engine Land, 2023
• Google on Links & Core Updates: „We need very few links“, Search Engine Roundtable, 2024
• Google: Overfocusing on Links Could Be a Waste of Time, Search Engine Journal, 2024
• The AI Citation Economy: 1+ Million Data Points, OtterlyAI, 2026
• The Brand-to-Links Ratio Revolution, Search Engine Land, 2025
• Backlinks Google Study: Our Data Tells a Different Story, Feedthebot, 2025
• How Important Are Backlinks for SEO in 2026?, Search Engine Land, 2026

Ich sage das in Kundengesprächen mittlerweile offen: Klassische Keyword-Recherche mit Suchvolumen, Difficulty und Cost-per-Click (CPC) hat als Ausgangspunkt der Content-Strategie ausgedient. Keywords sind weiterhin nützlich als Indikator dafür, was gesucht wird. Die Metriken drumherum verlieren dagegen an Bedeutung.

Warum Keywords eine Brückentechnologie waren

Andrew Holland ist GEO-Stratege und Autor des Ultimate Guide to GEO. Er beschreibt darin einen Punkt, den ich aus der Praxis bestätigen kann: Keywords waren der menschliche Versuch, Probleme in maschinenlesbare Suchanfragen zu übersetzen. Ein großer Mann, der Sommerkleidung sucht, musste bei Google mehrere Suchen starten: „XXL Sommershirts“, „Hemden große Größen“, „beste Passform breite Schultern“. Bei ChatGPT tippt er einfach: „Welche Hemden passen am besten für breite Schultern im Sommer?“ Eine Frage, keine Keywords.

Topic Research ersetzt das Keyword-Denken durch themenbasiertes Arbeiten. Statt einzelne Suchbegriffe zu optimieren, identifiziert Topic Research die Themenfelder und Nutzer-Prompts hinter den Suchanfragen, bei Google und bei KI-Systemen gleichzeitig.

Holland verweist auf die Information Foraging Theory von Peter Pirolli und Stuart Card. Die Kernidee: Menschen suchen Informationen wie Tiere nach Nahrung. Die zentrale Formel: Information Gain Rate = Informationswert / Kosten der Beschaffung. Menschen wollen den höchsten Informationswert bei geringstem Aufwand.

Das war im Grunde schon immer so. Niemand sucht nach dem perfekten Ergebnis. Menschen nehmen das beste Ergebnis, das sich in kurzer Zeit finden lässt. Herbert Simon nannte das Satisficing, eine Mischung aus „satisfy“ und „suffice“. Wir klicken uns bei Google nicht bis Seite 5 durch. Wir nehmen das erste Ergebnis, das gut genug wirkt.

LLMs verschieben die Information-Gain-Gleichung mittlerweile radikal. Die Kosten der Informationsbeschaffung fallen fast auf null. Ein LLM durchsucht, filtert, vergleicht und fasst in 8 Sekunden zusammen. Die Information Gain Rate explodiert. Deswegen nutzen laut Bain & Company 80 % der Konsumenten Zero-Click-Ergebnisse in mindestens 40 % ihrer Suchen. Organischer Web-Traffic sinkt laut Branchenanalysen geschätzt um 15 bis 25 %.

Was das für die Content-Strategie bedeutet

Der Ausgangspunkt der Content-Strategie verschiebt sich vom Keyword zum Nutzer-Prompt. Früher zählten drei Metriken: Suchvolumen, Difficulty, CPC. Heute zählt die Frage: Welches Problem löst das Produkt, und für wen? Content bleibt dabei das Fundament, nur die Planung beginnt an anderer Stelle.

Früher: Keyword → Content

Der klassische Workflow sah so aus: Semrush öffnen, Keyword eingeben, Suchvolumen prüfen, Difficulty bewerten, Content-Brief schreiben. Ein Blogpost für „Augenlasern Kosten“ mit 2.400 monatlichen Suchanfragen, einer Keyword Difficulty von 38 und einem CPC von 4,20 €.

Ehrlicherweise habe ich das selbst jahrelang genauso gemacht. Ich habe Neuronwriter genutzt und geschaut, dass bestimmte Keywords im Text stehen, egal ob sie dort sauber reingepasst haben oder nicht. Das war Standard. Und für Google hat es funktioniert.

Heute: Thema → Prompt → Content

Der neue Workflow beginnt letztlich mit einer anderen Frage: Was macht der Kunde, und für wen? Welche Probleme löst das Produkt? Welche Fragen stellen Nutzer bei KI-Systemen zu diesem Themenfeld?

Ein konkretes Beispiel: Statt „Augenlasern Kosten“ als Keyword zu targetieren, starten wir eine Prompt Research in RankScale. Prompt Research analysiert, welche Fragen Nutzer bei ChatGPT und Perplexity zu einem Themenfeld stellen, nicht welche Keywords sie bei Google eintippen. Die Antwort: „Gibt es eine Altersgrenze für Augenlasern?“ Der Prompt hat kein Suchvolumen bei Google, ist aber hochrelevant für LLMs. Ein Blogpost dazu, und der Kunde steht bei Perplexity, ChatGPT und Gemini direkt auf Platz 1.

Was viele überrascht: Prompt-Themen funktionieren auch bei Google. Bei einem Kunden aus der Medizintechnik haben die promptbasierten Blogposts die durchschnittlichen Klicks von knapp 150 auf über 300 pro Tag fast verdoppelt. Content, den wir für LLM-Prompts geschrieben haben, rankt auch bei Google, weil er thematisch präzise und inhaltlich vollständig ist.

Topic Research optimiert letztlich für beides gleichzeitig. Die Regeln sind dieselben: Informationen müssen schnell zugänglich sein (Cost of Retrieval) und Mehrwert bieten zu dem, was schon im Internet steht (Information Gain). Das gilt für Google genauso wie für ChatGPT.

Category Entry Points: Warum Situationen wichtiger sind als Suchbegriffe

Holland führt ein Konzept aus der Marketing-Wissenschaft ein, das für Topic Research zentral ist: Category Entry Points (CEPs) nach dem Ehrenberg-Bass Institute.

Die Idee: Kunden betreten eine Produktkategorie nicht über Keywords, sondern über Situationen, Bedürfnisse und Kontexte. Prof. Jenni Romaniuk beschreibt CEPs in „How Brands Grow 2“ als „mental distribution outlets“ und identifiziert 6 Dimensionen:

1. WHY: Warum kaufst du das Produkt?
2. WHEN: Wann kaufst du es?
3. HOW: Wie fühlst du dich dabei?
4. WHERE: Wo kaufst du es?
5. WITH WHOM: Mit wem zusammen?
6. WHILE: Während welcher Aktivität?

Hollands Beispiel: Ein Online-Shop für rote Kleider. Die Keyword-Recherche sagt: „rotes Kleid kaufen“, „Abendkleid rot“, „rotes Cocktailkleid“. Die CEP-Analyse sagt: Kunden kaufen rote Kleider für Kreuzfahrt-Abendveranstaltungen. Die LLM-Suche lautet dann: „I need a formal dress for a cruise ship evening event, something elegant in red.“ Kein Keyword-Tool der Welt zeigt diesen Prompt an.

Was heißt das in der Praxis? Statt „für welches Keyword optimiere ich?“ lautet die Frage bei Topic Research: „Welches Problem löst mein Produkt für wen in welcher Situation?“

Mein Ansatz ist simpler als die 6-Dimensionen-Analyse, aber im Kern dasselbe: Was machst du, und für wen? Daraus ergibt sich der Titel. „CRM für Stadtwerke und Energiebranche“ schlägt kein Keyword-Tool vor. Aber es ist exakt die Seite, die Google und LLMs als Antwort auf die entsprechende Frage brauchen.

Prompt Research in der Praxis: Ein Kundencase

Bei einem Kunden aus der Medizintechnik haben wir im Sommer 2025 die Content-Strategie komplett umgestellt. Ausgangslage: knapp 150 Blogpost-Klicks pro Tag, Content-Planung rein keyword-basiert. Seitdem läuft die Planung ohne klassische Keyword-Recherche. Stattdessen: Prompt Research über RankScale. Das Ergebnis: verdoppelte Blogpost-Klicks und über 67 % LLM-Visibility.

Der Workflow

1. Überthema eingeben: Im Prompt Research Tool von RankScale ein Überthema eingeben, zum Beispiel „Augenlasern“. RankScale zeigt daraufhin mögliche Prompts an, die Nutzer bei KI-Systemen zu diesem Thema stellen.
2. Prompts sichten: Die Prompts sind in Subkategorien geclustert. Neben jedem Prompt stehen die Aufrufhäufigkeit und eine Trendanzeige: stabil, fallend oder steigend. Steigende Prompts sind die interessantesten.
3. Prompts zu Titeln machen: Relevante Prompts auswählen und daraus Blogpost-Titel ableiten. Ein Prompt = ein Titel = ein Post.
4. Blogposts schreiben: Direkte Antwort auf den Prompt, kurz und präzise. Kein Keyword-Stuffing, kein 5.000-Wörter-Rundumschlag.
5. Tracking einrichten: Die verwendeten Prompts in RankScale tracken, um die LLM-Sichtbarkeit nach Veröffentlichung zu messen. Parallel: Google-Performance über die Search Console.

Die Ergebnisse

LLM-Sichtbarkeit: Über 67 % Visibility für den Standort, Durchschnittsposition 2,5 bei KI-Systemen. Blogpost-Klicks: Von knapp 150 auf über 300 pro Tag, fast verdoppelt allein durch promptbasierte Blogposts. Conversion: 12,65 % für LLM-Traffic seit Januar 2026, verglichen mit 2-3 % über die organische Google-Suche.

Die Domain-Daten bestätigen den Trend: Die Gesamtzahl der rankenden Keywords sank innerhalb von 6 Monaten um 20 % (von über 3.200 auf rund 2.600). Gleichzeitig stieg die Zahl der Top-3-Keywords von 239 auf 250. Der organische Traffic wuchs um 27 % (von knapp 24.000 auf über 30.000 monatliche Besucher). Der Traffic-Wert stieg um 15 % auf rund 84.000 € monatlich. Weniger Keywords, bessere Themen, mehr Gesamtsichtbarkeit.

Topic Research: Themen trennscharf abgrenzen

Topic Research heißt: Ein Blogpost pro Thema, eine Frage pro Post. Ein häufiges Missverständnis ist, „in Themen denken“ mit „alles in einen Topf werfen“ zu verwechseln. Themen lassen sich genauso trennscharf abgrenzen wie Keywords, und genau das sollte passieren.

Ein Blogpost pro Thema. Nicht „Augenlasern: Alles was du wissen musst“ mit 5.000 Wörtern, sondern: „Gibt es eine Altersgrenze für Augenlasern?“ als eigenständiger, fokussierter Beitrag. „Zahlt die Krankenkasse Augenlasern?“ als separater Post. Jeder Post beantwortet genau eine Frage: isoliert verständlich, chunk-fähig für LLMs, rankfähig bei Google.

Warum funktioniert das? Content rankt nicht nur für das intendierte Keyword, sondern sammelt Klicks für verwandte Begriffe ein. Ein thematisch präziser Post zieht automatisch die richtigen Long-Tail-Queries an, bei Google und bei LLMs.

Was sich ändern muss und was bleibt

Topic Research entwertet die vier klassischen Keyword-Metriken: Suchvolumen, Keyword Difficulty, Keyword-Dichte und die Tool-Logik dahinter. Fünf SEO-Prinzipien bleiben dagegen bestehen: thematische Relevanz, Information Gain, Cost of Retrieval, Entity-Salience und semantische Struktur. Die beiden folgenden Listen ziehen die Trennlinie im Detail nach.

Was sich ändert

• Suchvolumen als Entscheidungskriterium verliert an Bedeutung. „Suchvolumen = 0“ ist kein Ausschlusskriterium mehr.
• Keyword Difficulty spielt für LLMs keine direkte Rolle. LLMs bewerten nicht nach Backlinks.
• Keyword-Stuffing ist endgültig tot. LLMs erkennen unnatürliche Keyword-Häufungen und stufen den Content herab (negatives Sentiment in RankScale).
• Die Tool-Industrie (Semrush, Ahrefs, Sistrix) muss sich transformieren. RankScale, Otterly und Peec.ai zeigen die Richtung.

Was bleibt

• Thematische Relevanz bleibt der wichtigste Ranking-Faktor, bei Google und bei LLMs.
• Information Gain bleibt entscheidend: Inhalte müssen Mehrwert bieten gegenüber dem, was bereits existiert.
• Cost of Retrieval bleibt relevant: Schnelle, gut strukturierte, schlanke Seiten bevorzugen Google und LLMs gleichermaßen.
• Entity-Salience bleibt zentral: Die Hauptentität muss klar erkennbar sein, ob Marke oder Thema.
• Semantisches SEO bleibt die Grundlage: Klare Struktur, explizite Relationen, chunk-fähige Absätze.

Generative Engine Optimization (GEO) ist keine komplett neue Disziplin. GEO ist zu 80 % SEO. Die Denkweise muss sich trotzdem verändern. Tradierte Konzepte wie Keyword-Dichte, Suchvolumen-Priorisierung und Difficulty-Scores funktionieren nicht mehr. Von der Draufsicht gelten dieselben Regeln für LLMs wie für Google. Die Umsetzung ist anders.

Was Kunden dazu sagen

Kunden sind froh, keine „klassischen SEO-Texte“ mehr schreiben zu müssen: keyword-gestopfte Texte, die niemand gern liest. Der neue Ausgangspunkt ist eine einzige Frage: „Was machst du, und für wen?“ Daraus lässt sich der Titel stricken, und der Rest folgt.

Die Erkenntnis, die viele überrascht: Du kannst auch auf Platz 3 bei Google mehr Leads einsammeln als auf Platz 1, wenn Snippet und Inhalt besser sind. Und du kannst bei ChatGPT empfohlen werden, ohne jemals für das entsprechende Keyword bei Google gerankt zu haben.

Wenn du wissen willst, welche Prompts Nutzer bei KI-Systemen zu deinem Thema stellen und welche davon Content-Potenzial haben, übernehmen wir die Prompt Research als Teil unseres SEO-Audits.

Häufige Fragen

Quellen

• Holland, Andrew (2025): „The Ultimate Guide to GEO: Part 1“, LinkedIn. Themen: Information Foraging Theory, Category Entry Points, Problem Spaces
• Holland, Andrew (2024): „What information gain in SEO really means“, Search Engine Land. Thema: Information Foraging Theory für SEO
• Nielsen Norman Group: „Information Foraging: A Theory of How People Navigate on the Web“. Pirolli/Card-Theorie praxisnah erklärt
• Bain & Company (2025): „Consumer reliance on AI search results signals new era of marketing“. Kernzahlen: 80 % Zero-Click, organischer Traffic -15 bis -25 %
• Semrush (2025): „LLM Seeding: An AI Search Strategy“. Kernzahl: 90 % der ChatGPT-Citations von Seiten jenseits Rang 21
• Ehrenberg-Bass Institute: marketingscience.info. Themen: Category Entry Points, „How Brands Grow“
• Windolph, Benny: „Semantisches SEO“, HECHT INS GEFECHT. Thema: Content-Regeln für Google und KI
• Windolph, Benny: „LLM-Sichtbarkeit“, HECHT INS GEFECHT. Thema: Monitoring und Conversion-Daten
• Windolph, Benny: „GEO: Generative Engine Optimization“, HECHT INS GEFECHT. Thema: NAPD-Framework und Citations

Website-Relaunches gehören zu den riskantesten Momenten im Leben einer Website. Neues Design, neues CMS (Content-Management-System), neue Domain: Jede dieser Änderungen kann Sichtbarkeit vernichten, die über Jahre aufgebaut wurde. Muss nicht sein. Behandle den Relaunch wie ein technisches Manöver statt wie ein kreatives Event. Dann stehen die Chancen gut, dass der Website-Relaunch ohne Rankingverluste durchgeht und die Sichtbarkeit danach weiter wächst.

Der häufigste Fehler passiert vor dem ersten Klick

Der häufigste Fehler passiert vor dem ersten Klick. Der Relaunch scheitert nicht am Go-Live-Tag, er scheitert in der Planungsphase, weil niemand die strategische Übersicht erstellt hat.

Bevor du eine einzige URL anfasst, musst du vier Fragen beantworten:

1. Was haben wir? Bestandsaufnahme: alle existierenden Seiten, ihr Traffic, ihre Backlinks.
2. Was rankt? Google Search Console exportieren: die URLs mit Klicks und Impressionen.
3. Was nutzen unsere Kunden? Die Seiten mit Conversions, Anfragen und Verkäufen.
4. Wie gehen wir den Relaunch an? URL-Mapping erstellen, Redirect-Plan, Content-Entscheidungen.

Abb. 1: 4 Fragen, die vor jedem Relaunch beantwortet werden müssen

Ein Industrieunternehmen erlitt 2021 einen massiven Sichtbarkeitseinbruch nach einem unbegleiteten Relaunch ohne Redirects. Die neue Seite war langsamer als die alte, der Einbruch Jahre später noch spürbar. Beim SEO-Audit fanden wir Altlasten: zwei Seiten, die auf dasselbe Keyword rankten. Überbleibsel der alten Website, nie aufgeräumt.

Teuerster Fehler: Keine Ahnung haben, was man verliert. Nicht zu wissen, was man hat, ist teurer als jeder einzelne falsche Redirect.

Die SEO-Relaunch-Checkliste: 15 Punkte in drei Phasen

Die SEO-Relaunch-Checkliste führt mit 15 Punkten durch den kompletten Umzug, von der Vorbereitung über die Staging-Abnahme bis zum Go-Live-Monitoring. Die Punkte 1 bis 5 sichern den Ist-Zustand, bevor die erste URL angefasst wird. Die Punkte 6 bis 10 nehmen die Staging-Umgebung ab, die Punkte 11 bis 15 überwachen den Go-Live.

Phase 1: Vorbereitung, Wochen vor dem Go-Live

1. Bestandsaufnahme erstellen: alle URLs crawlen, Traffic und Backlinks je URL dokumentieren.
2. Export aus der Google Search Console (GSC) ziehen: URLs mit Klicks, Impressionen und Rankings sichern. Das ist deine Baseline für den Vorher-Nachher-Vergleich.
3. Conversion-Seiten markieren: die Seiten mit Anfragen und Verkäufen aus der Bestandsaufnahme. Änderungen an diesen Seiten kritisch prüfen.
4. URL-Mapping erstellen: Jede alte URL bekommt ein Ziel auf der neuen Seite.
5. Redirect-Plan nach der Redirect-Kaskade schreiben, 410 für Seiten ohne Äquivalent und Backlinks.

Phase 2: Staging-Abnahme, vor dem Go-Live

6. Redirects auf der Staging-Umgebung testen, bevor sie live gehen.
7. Robots-Regeln für den Übertrag prüfen: Die Staging bleibt gesperrt, die Live-Seite geht ohne die Indexierungssperre online.
8. Canonical Tags kontrollieren: Sie müssen auf die künftigen Live-URLs zeigen.
9. Schema-Markup der 10 wichtigsten Seiten exportieren und auf der neuen Seite gegenprüfen.
10. Performance vergleichen: Eine neue Seite, die langsamer lädt als die alte, ist eine bekannte Verlust-Ursache.

Phase 3: Go-Live und Monitoring, 48 Stunden plus erste Woche

11. Komplett-Crawl direkt nach dem Go-Live: Broken Links, 404er und Redirect-Ketten finden.
12. Stichprobe der wichtigsten Redirects direkt nach dem Umschalten, Details in der 48-Stunden-Checkliste.
13. robots.txt und Meta-Robots der Live-Seite prüfen.
14. Sitemap in der Search Console einreichen, Analytics- und Conversion-Tracking verifizieren.
15. Rankings und Crawl-Fehler eine Woche lang täglich gegen die Baseline aus Punkt 2 vergleichen.

Wer alle 15 Punkte abarbeitet, deckt die häufigsten Verlust-Ursachen ab, vom übernommenen noindex-Tag über fehlende Redirects bis zum geänderten URL-Gefüge ohne Mapping. HECHT INS GEFECHT übernimmt diese 15 Punkte als SEO-Relaunch-Begleitung, von der Bestandsaufnahme bis zum Monitoring.

Die Redirect-Strategie: Warum 301 auf die Startseite ein Anti-Pattern ist

Redirects sind das Rückgrat jedes Relaunchs. Aber Redirect ist nicht gleich Redirect. Viele setzen einen pauschalen 301-Redirect auf die Startseite als Default-Fallback. Schlechte Idee.

Alte Backlinks enthalten Ankertexte mit Keywords. Leitest du alle alten URLs auf die Startseite um, fließt der Link Juice mit den alten Ankertexten auf die Startseite. Die Startseite rankt dann plötzlich für Keywords, für die eigentlich Unterseiten ranken sollen. Ergebnis: Keyword-Kannibalisierung.

Die Redirect-Kaskade: 4 Stufen für jede alte URL

Für jede alte URL, die es auf der neuen Seite nicht mehr 1:1 gibt, arbeitest du diese Kaskade von oben nach unten ab:

1. 301 auf das identische Produkt oder die identische Seite. Gleicher Inhalt, neue URL.
2. 301 auf ein ähnliches Produkt oder eine verwandte Seite. Thematisch passend, gleiche Suchintention.
3. 301 auf die übergeordnete Kategorie. Die Kategorie, in der das alte Produkt oder die alte Seite eingeordnet war.
4. 301 auf die Startseite: nur wenn Backlinks mit Link Juice vorhanden sind. Und auch dann nur als letzter Ausweg, nicht als Default.

Gibt es kein sinnvolles Redirect-Ziel und keine relevanten Backlinks, ist ein 410 Gone die bessere Wahl. Ein 410 sagt Google: Diese Seite existiert nicht mehr, ersatzlos. Google entfernt die URL aus dem Index. Sauberer als ein Redirect, der ins Nichts führt.

Abb. 2: Die Redirect-Kaskade von der besten zur letzten Option

Wenn Rankings existierten, gab es Interesse

Grundregel: Hatte eine alte URL Rankings und Klicks, gab es Nachfrage für dieses Thema. Auf diese Nachfrage kannst du nach dem Relaunch nicht verzichten.

Rankings dürfen nie in einem 404-Error enden. 404-Fehler nach einem Relaunch sind verlorener Traffic, verlorene Kunden, verlorener Link Juice. Jede URL mit Rankings oder Backlinks braucht ein Redirect-Ziel oder eine neu aufgebaute Seite, die das Thema sauber übernimmt.

CMS-Wechsel: Worauf du achten musst

Ein CMS-Wechsel ist der Umzug einer Website auf ein neues Content-Management-System und technisch aufwändiger als ein reines Redesign. Ob Contao zu WordPress, WooCommerce zu Shopify oder Eigenentwicklung zu Standard-System: Die Grundprinzipien bleiben dieselben. Über den Erfolg entscheiden 4 technische Basics, das CMS selbst spielt für SEO eine untergeordnete Rolle.

Das CMS ist egal, die technischen Basics nicht

Ehrlicherweise ist mir das CMS relativ egal. WordPress, Shopify, Shopware, Contao: Jedes System kann SEO-technisch funktionieren. Entscheidend ist, ob du die technischen Basics kontrollieren kannst:

• Trailing Slashes: Hatte die alte Seite URLs mit Trailing Slash (/produkte/) und die neue liefert sie ohne aus (/produkte), entstehen ohne Redirect-Regel doppelte URLs. Das gilt in beide Richtungen.
• www vs. non-www: Gleiche Domain-Variante wie vorher verwenden oder sauber umleiten.
• robots.txt: Die neue Seite muss Google Zugriff auf alle relevanten Bereiche geben.
• Canonical Tags: Die Canonicals müssen auf die richtigen URLs zeigen.

Bei Shopify fällt mir auf, dass die Plattform beim Crawling 429-Fehler wirft: Rate Limiting für Crawler. Aus SEO-Sicht nicht ideal, weil Googlebot dadurch weniger Seiten pro Crawl-Session erfasst.

Onlineshop-Plattform wechseln ohne SEO-Verlust

Der Spezialfall des CMS-Wechsels ist der Shop-Plattformwechsel, etwa von WooCommerce zu Shopify oder von Magento zu Shopware. Hier ändern sich fast immer alle Produkt- und Kategorie-URLs, weil Shop-Systeme feste URL-Muster erzwingen: Shopify presst jede Produkt-URL in /products/ und jede Kategorie in /collections/. Deswegen ist das URL-Mapping auf Produkt- und Kategorieebene der kritische Schritt, die Redirect-Kaskade gilt pro Produkt. Beim Shop-Wechsel kommen zwei Punkte dazu: Varianten- und Filter-URLs brauchen eigene Redirects, und das Product-Schema muss mit Preis, Verfügbarkeit und GTIN vollständig mitziehen.

Die Sunk Cost Fallacy: Neu bauen statt migrieren

Viele Kunden hängen an ihrer bestehenden Seite und wollen sie „migrieren“: Inhalte übernehmen, Struktur beibehalten, alles 1:1 übertragen. Manchmal sinnvoll. Oft eine Sunk Cost Fallacy.

Neu bauen ist häufig schneller, günstiger und sauberer. Du startest mit einer durchdachten Struktur, statt die Fehler der alten Seite mitzuschleppen. Für eine mittelständische Firmenwebsite rechne ich mit 30 bis 40 Arbeitsstunden für den WordPress-Aufbau, inklusive Content-Übernahme und SEO-Grundeinrichtung.

Der Schlüssel: Auch beim Neuaufbau brauchst du Redirects von den alten URLs auf die neuen. Klingt widersprüchlich, ist es aber nicht. Das „Neu bauen“ meint Seitenstruktur und CMS, die Redirect-Planung bleibt davon unberührt.

Domain-Wechsel und Rebranding: Mehr als nur Redirects

Ein Domainwechsel ist der Umzug einer Website auf eine neue Adresse, samt Rankings, Backlinks und Markenwahrnehmung. Ein CMS-Wechsel ist technisch anspruchsvoll. Punkt. Ein Domainwechsel mit Namenswechsel ist strategisch anspruchsvoll, weil es hier um Markenidentität geht und nicht um Server. Beide Fälle brauchen dieselbe Redirect-Basis, das Rebranding verlangt zusätzlich aktive Kommunikation.

Warum Redirects bei einem Rebranding nicht reichen

301-Redirects von alter-name.de auf neuer-name.de übertragen den Link Juice, das stimmt. Die Markenwahrnehmung übertragen sie nicht. Google, Branchenverzeichnisse, KI-Systeme: alle kennen den alten Namen. Wenn du den Wechsel nicht aktiv kommunizierst, passiert Folgendes: Die alte Marke verschwindet, die neue existiert für Suchmaschinen und Menschen noch nicht. Lücke. Würde ich nicht riskieren.

Pro-Tipp: Nutze das Change of Address Tool in der Google Search Console. Es teilt Google den Domainwechsel direkt mit und beschleunigt die Neuindexierung. Das ist einer der wenigen Fälle, in denen Google dir ein Tool gibt, das tatsächlich hilft.

Die Mindestanforderung: Ein Blogpost mit beiden Namen

Wer seinen Firmennamen ändert, braucht mindestens einen öffentlichen Beitrag, der beide Namen nennt: „AlteFirma heißt jetzt NeueFirma.“ Simpel. Aber so ein Beitrag schafft die textuelle Brücke, die Google und Large Language Models (LLMs) brauchen, um die Verbindung überhaupt herzustellen.

Besser wäre eine kleine PR-Kampagne (PR = Public Relations). Pressemitteilung raus, Social-Media-Ankündigung, alle Branchenverzeichnisse aktualisieren. Naja, klingt nach Aufwand, ist es auch. Aber je mehr Quellen den Zusammenhang zwischen altem und neuem Namen bestätigen, desto schneller lernt Google die neue Entity. Jason Barnard (CEO Kalicube, Experte für Brand SERPs und Knowledge Panels) nennt das Prinzip „Corroboration“. Seine These: Google braucht mehrere unabhängige Quellen, die dieselbe Information bestätigen, bevor eine Entity im Knowledge Graph aktualisiert wird. Halte ich für plausibel, deckt sich mit dem, was wir bei Kunden sehen.

Co-Branding-Phase beim Domain-Wechsel einplanen

Beide Namen für 3 bis 6 Monate parallel führen: „NeueFirma (vormals AlteFirma)“ im Footer, in der About-Seite, im Google-Unternehmensprofil. Das gibt Suchmaschinen und KI-Systemen Zeit, die neue Zuordnung zu lernen.

Parallel dazu: NAP-Daten (NAP = Name, Adresse, Telefon) auf allen Portalen gleichzeitig umstellen. Nicht scheibchenweise über Monate verteilt, das fragmentiert die Entity.

Ziehst du auf eine Domain um, die früher schon einmal in Gebrauch war, prüfe vorher ihre Vergangenheit. Wie du Backlink-Profil und Historie einer Domain bewertest, zeigt der Beitrag zu Expired Domains.

Drei Relaunches, drei Ergebnisse

Drei Fälle aus der Praxis zeigen, was saubere Vorbereitung bewirkt: ein Theme-Relaunch im laufenden Betrieb, ein CMS-Wechsel mit 500% Wachstum und eine Domain-Konsolidierung.

Abb. 3: Drei Relaunches, drei Ergebnisse im Überblick

Fall 1: Nahtloser Relaunch eines Online-Shops

Ein Schokoladen-Online-Shop brauchte ein neues Theme und neue Plugins, WordPress und WooCommerce blieben als Plattform bestehen. Die Vorbereitung: Alle URLs gemappt, relevante Kategorien behalten, Produkte konsolidiert, Redirects für jede geänderte URL gesetzt.

Der Shop kam praktisch ohne Sichtbarkeitseinbruch durch den Relaunch, die Rankings gingen direkt weiter hoch. Kurz danach explodierte das Keyword „Dubai Schokolade“. Der Shop stand auf Platz 2 bei Google und hatte an einem einzigen Tag 5.000 Klicks nur über dieses eine Keyword. Das wäre nicht möglich gewesen, wenn der Relaunch Sichtbarkeit gekostet hätte.

Dass das CMS gleich geblieben ist, war vermutlich ein Faktor. Google musste weniger Ressourcen für die Rendering-Pipeline aufwenden. Aber der eigentliche Grund war die Vorbereitung: Alles umgeleitet, nichts vergessen, keine verwaisten URLs.

Fall 2: CMS-Wechsel einer Arztpraxis

Eine Schweizer Chirurgie-Praxis wechselte von Contao zu WordPress. Vor dem Relaunch: rund 500 Klicks pro Monat, durchschnittliche Position 27. Zehn Monate später: über 3.000 Klicks pro Monat, durchschnittliche Position 5. Ein Wachstum von 500%.

Der Relaunch war nicht nur ein CMS-Wechsel: Wir haben gleichzeitig die Inhalte überarbeitet, die Seitenstruktur neu aufgebaut und die technische Basis verbessert. Aber ohne saubere Redirects und eine ordentliche Übergabe wäre das Wachstum nie so steil gewesen.

Fall 3: Domain-Konsolidierung

Ein E-Commerce-Unternehmen betrieb neben seinem Haupt-Shop eine zweite Domain, die kaum Umsatz generierte. Statt die zweite Domain weiterzupflegen, haben wir sie URL für URL auf den Haupt-Shop umgeleitet. Der Link Juice der alten Domain fließt jetzt in den Haupt-Shop, der Pflegeaufwand ist weg.

Der gefährlichste Moment: Staging auf Production

Die häufigste technische Ursache für Sichtbarkeitsverlust nach einem Relaunch ist keine vergessene Redirect-Regel. Die häufigste Ursache ist ein vergessenes noindex-Tag.

Entwickler arbeiten auf einer Staging-Umgebung. Die Staging-Seite darf nicht indexiert werden, deswegen steht dort ein <meta name="robots" content="noindex"> oder ein Disallow: / in der robots.txt. Beim Go-Live wird die Staging auf die Production übertragen. Und niemand prüft, ob die Indexierungssperre mit übertragen wurde.

Google deindexiert dann die gesamte Website. Innerhalb weniger Tage verschwindet die Seite aus dem Index. Das passiert häufiger als man denkt und ist komplett vermeidbar.

Die 48-Stunden-Checkliste nach Go-Live

Die ersten 48 Stunden nach einem Relaunch entscheiden darüber, ob Probleme früh erkannt oder erst Wochen später bemerkt werden. Direkt an den Go-Live-Tag gehören die ersten Prüfschritte, weitere in die erste Woche. Ein vergessenes noindex fällt so nach Minuten auf statt nach Wochen.

Sofort nach Go-Live

1. Crawl durchführen. Die gesamte neue Seite einmal mit Screaming Frog oder einem vergleichbaren Tool crawlen. Broken Links, 404er, Redirect-Ketten identifizieren.
2. Redirects stichprobenartig prüfen. Die 20 wichtigsten alten URLs manuell testen. Jede muss auf der richtigen neuen Seite ankommen.
3. robots.txt prüfen. Die Live-Version muss alle wichtigen Bereiche freigeben, Staging-Regeln gehören entfernt.
4. robots meta tag prüfen. Seiten, die indexiert werden sollen, müssen frei von noindex sein. Stichprobe im Quellcode oder per Crawl.
5. Google Search Console prüfen. Sitemap einreichen. Indexierung beantragen für die wichtigsten Seiten.

Innerhalb der ersten Woche

1. Google Search Console auf Crawl-Fehler prüfen. Neue 404er, Soft 404er und Server-Fehler tauchen dort zuerst auf.
2. Rankings monitoren. Die 10 wichtigsten Keywords täglich checken. Schwankungen von 1 bis 3 Positionen sind nach einem Relaunch normal, Verluste von 10 und mehr Positionen sind ein Alarmsignal.
3. Sitemaps prüfen. Die Sitemap darf ausschließlich neue URLs enthalten.

Go-Live-Timing

Der beste Zeitpunkt für einen Relaunch: Nicht Freitag um 17 Uhr. Am besten an einem Dienstag oder Mittwoch, vormittags. So hast du den Rest der Woche, um auf Probleme zu reagieren. Nicht zur Hauptgeschäftszeit: falls etwas schiefgeht, verlierst du weniger Umsatz.

Abb. 4: Die 48-Stunden-Checkliste nach Go-Live

Traffic-Verlust nach dem Relaunch: So findest du die Ursache

Wenn der Relaunch schon gelaufen ist und der Traffic weg: Panik hilft nicht, eine feste Prüfreihenfolge schon. Die 5 häufigsten Ursachen, sortiert nach Wahrscheinlichkeit:

1. noindex oder gesperrte robots.txt aus dem Staging übernommen. Der Klassiker, siehe oben.
2. Fehlende oder falsche Redirects. 404-Fehler und Redirect-Ketten in der Search Console prüfen.
3. URL-Struktur ohne Mapping geändert. Alte URLs laufen ins Leere. Rankings hängen an URLs, nicht an Inhalten allein.
4. Canonical-Fehler. Canonicals zeigen auf die Staging-Domain oder auf widersprüchliche Ziele.
5. Performance- oder Rendering-Verschlechterung. Das neue Theme rendert wichtige Inhalte nur noch per JavaScript.

Jede dieser Hypothesen lässt sich mit zwei Werkzeugen prüfen. Der GSC-Vergleich auf URL-Ebene zeigt, welche URLs vor dem Go-Live Impressionen hatten und danach leer ausgehen. Ein frischer Crawl zeigt den technischen Ist-Zustand. Wer die Ursache zügig findet und behebt, holt Rankings in der Regel deutlich schneller zurück, als die oft zitierten 3 bis 6 Monate vermuten lassen. Bei Shop-Systemen wie Shopware kommt die Varianten- und Filterlogik als Verdächtiger dazu. Genau diese Forensik ist der Kern unseres SEO-Audits: Hypothesen, Checks, Recovery-Plan.

Was Webdesigner beim Relaunch falsch machen

Das größte Risiko beim Relaunch kommt nicht von der Technik. Das größte Risiko kommt von übereifrigen Webdesignern oder Agenturen, die versuchen, grafisch das Rad neu zu erfinden. 3 Dinge leiden zuerst: Bedienkonzept, Navigation und die Auffindbarkeit von Content.

Kunden, die den alten Shop oder die alte Website regelmäßig besucht haben, finden sich plötzlich nicht mehr zurecht. Das Bedienkonzept hat sich komplett geändert, die Navigation ist anders aufgebaut. Der Content steht an anderen Stellen oder ist sogar ganz weg.

Ein Relaunch darf das Design modernisieren. Ein Relaunch darf die Technik verbessern. Aber ein Relaunch sollte das Bedienkonzept nicht ohne guten Grund über den Haufen werfen. Content sollte sich zum Teil wiederfinden lassen. Die Seitenstruktur sollte für wiederkehrende Besucher nachvollziehbar bleiben.

Relaunch und KI-Sichtbarkeit: Warum auch ChatGPT deine Redirects braucht

Die meisten planen einen Relaunch ausschließlich aus Google-Perspektive. Das reicht 2026 nicht mehr. ChatGPT, Perplexity und Googles AI Overviews (AI = Artificial Intelligence) zitieren Websites, und sie zitieren spezifische URLs. Die Redirect-Planung muss deshalb 2 Welten abdecken: Suchmaschinen-Rankings und KI-Zitationen.

LLMs aktualisieren langsamer als Google

Google crawlt deine neue Seite innerhalb von Tagen. LLMs aktualisieren ihre Wissensbasis deutlich langsamer. Deine alte URL läuft nach dem Relaunch ins Leere, aber ChatGPT zitiert sie möglicherweise weiter. Der Verlust bleibt unbemerkt, weil die Search Console KI-Zitationen nicht trackt.

Saubere Redirects schützen deswegen Google-Rankings genauso wie KI-Zitationen. Die Redirect-Kaskade gilt für GEO (Generative Engine Optimization) exakt so wie für klassisches SEO.

Schema-Markup beim Relaunch vollständig migrieren

FAQ-Schema, Organization-Markup und HowTo gehen bei Relaunches am häufigsten verloren, weil das Markup im CMS unsichtbar bleibt. LLMs fehlen dann strukturierte Ankerpunkte, um deine Inhalte einzuordnen. Ein Relaunch ohne FAQ-Schema kann Sichtbarkeit in AI Overviews kosten. Vor dem Go-Live deshalb das Markup der 10 wichtigsten Seiten exportieren, nach dem Launch gegenprüfen.

Content-Konsolidierung beim Relaunch: Zusammenlegen statt Aufsplittern

Viele Relaunches verteilen Content auf mehrere Unterseiten, wegen der besseren Übersicht. Eine Seite, die vorher klar für ein Thema stand, wird von LLMs als Quelle zitiert. Verteilt der Relaunch den Inhalt auf drei Unterseiten, verliert sie diesen Status. Zusammenlegen ist in der Regel besser als Aufsplittern, weil LLMs zusammenhängende, tiefe Inhalte bevorzugen.

Bei wenig Autorität steht sogar noch mehr auf dem Spiel als der Zitierquellen-Status. Im SEO-Contest 2026 doppelte eine Unterseite eine Startseiten-Sektion fast wortgleich. Die Unterseite blieb auf der jungen Domain dauerhaft bei „gecrawlt, nicht indexiert“. Nach 6 Tagen wurde sie eingestampft und per 301 auf die Startseite konsolidiert, damit war das Indexierungsproblem gelöst. Der Beitrag zur Google Sandbox dokumentiert den Fall.

Wenn du einen Relaunch planst und eine zweite Meinung willst: Wir schauen uns deine aktuelle Situation an, bevor die erste URL angefasst wird. Zum SEO-Audit.

Häufige Fragen zum Thema Website Relaunch

Quellen

Die 4 wichtigsten Dokumentationen zu Redirects, HTTP-Statuscodes (HTTP = Hypertext Transfer Protocol) und Website-Umzügen:

• Google Search Central: Websiteumzug mit URL-Änderungen
• Google Search Central: HTTP-Statuscodes und Redirects
• Screaming Frog: How to Audit Redirects
• Google Search Console: Change of Address Tool

Ich habe mir die Daten angeschaut. Für deutsche E-Commerce-Domains, für die großen SEO-Tool-Anbieter, für die Global Player. Die Ergebnisse zeigen ein klares Muster und erklären, warum manche Domains in KI-Antworten ständig zitiert werden und andere nie.

Was ist Harmonic Centrality?

Harmonic Centrality ist ein Zentralitätsmaß aus der Graphentheorie. Es misst, wie „nah“ eine Domain an allen anderen Domains im Web ist. Eine Domain mit hoher Harmonic Centrality erreicht viele andere Domains über wenige Link-Hops. Sie sitzt im Kern des Webs, nicht am Rand.

Das klingt erst mal nach Theorie. Deswegen der direkte Vergleich: Domain Authority oder Domain Rating messen die Anzahl und Qualität eingehender Links, also wer auf dich verlinkt. Harmonic Centrality misst die Position in der Gesamtstruktur, also wo du im Netzwerk sitzt. Eine Domain kann Tausende Backlinks haben und trotzdem am Rand des Webs sitzen, weil die Backlinks von isolierten Seiten kommen, die selbst keine Verbindungen haben.

Die mathematische Grundlage stammt von Paolo Boldi und Sebastiano Vigna, Informatik-Professoren an der Università degli Studi di Milano. Die beiden haben Harmonic Centrality 2013 als axiomatisch fundiertes Zentralitätsmaß definiert. Die Formel summiert die inversen Abstände zu allen anderen Knoten im Graph: je kürzer der durchschnittliche Hop-Abstand, desto höher der Wert. Common Crawl nutzt ihre Implementierung über das WebGraph-Framework.

Common Crawl veröffentlicht monatlich einen Web Graph mit zwei Metriken für jede gecrawlte Domain: Harmonic Centrality und PageRank. Common Crawl berechnet beides über Milliarden von Links. Der aktuelle Web Graph umfasst rund 135 Millionen Domains auf Domain-Level und über 360 Millionen auf Host-Level.

Abb. 1: Domain Authority misst eingehende Links, Harmonic Centrality die Position im gesamten Web-Netzwerk.

Warum Harmonic Centrality für SEO und GEO relevant ist

Der Zusammenhang zwischen Harmonic Centrality und KI-Sichtbarkeit ist eine direkte Kausalkette in 4 Schritten: Common Crawl nutzt Harmonic Centrality, um die Crawl-Priorität zu bestimmen. Common Crawl crawlt Domains mit höherem Harmonic-Centrality-Wert häufiger. Häufigeres Crawling bedeutet mehr Erscheinungen in den monatlichen Archiven. Mehr Erscheinungen in den Archiven bedeutet größere Repräsentation in den Trainingsdaten.

Der Mozilla-Report „Training Data for the Price of a Sandwich“ hat 2024 insgesamt 47 Large Language Models analysiert. 64 % davon nutzten mindestens eine gefilterte Version von Common-Crawl-Daten. Bei GPT-3 (GPT = Generative Pre-trained Transformer) stammten über 80 % der Training-Tokens aus gefiltertem Common Crawl. Die zugrunde liegende Forschung von Stefan Baack, Medienforscher bei der Mozilla Foundation, wurde auf der FAccT-Konferenz 2024 peer-reviewed veröffentlicht. Das sind keine Schätzungen, sondern wissenschaftlich belastbare Zahlen.

Harmonic Centrality beeinflusst nicht direkt das Ranking in Google. Aber sie beeinflusst, wie stark eine Domain in den Trainingsdaten von ChatGPT, Claude, Gemini und Perplexity vertreten ist. Und das wiederum beeinflusst, wie wahrscheinlich ein LLM (Large Language Model) diese Domain als Quelle zitiert, ein zentraler Aspekt von GEO (Generative Engine Optimization).

Metehan Yesilyurt, ein internationaler SEO-Berater, hat sieben Monate lang mit Common-Crawl-Datasets gearbeitet. In seinem Blogartikel zu CC Rank formuliert er es so: „If Common Crawl prioritizes crawling high-HC domains, these domains appear more frequently in training data. Does this create a baseline familiarity in LLMs with certain sources?“

Meine Daten aus dem CC Web Graph deuten auf ja.

HC Rank deutscher Domains: Eigene Daten aus dem Common Crawl Web Graph

Ich habe den HC Rank (HC = Harmonic Centrality) und PageRank von 20 Domains abgerufen: globale Plattformen, deutsche E-Commerce-Shops und SEO-Tool-Anbieter. Der HC Rank gibt die Position unter allen 135 Millionen Domains an, je niedriger die Zahl, desto zentraler die Domain.

Globale Plattformen: Die Spitze des Web Graph

Facebook sitzt auf HC Rank 1, die zentralste Domain im gesamten Web Graph. Google auf Platz 3, YouTube auf 6, Twitter auf 7, LinkedIn auf 8. GitHub kommt auf 28, Reddit auf 43, Wikipedia auf 15.

Genau die Top-Domains des Web Graph zitieren LLMs am häufigsten: Facebook, Google, YouTube, Wikipedia. Ein Zufall ist das eher nicht.

HC Rank deutscher E-Commerce-Domains: Amazon.de weit vor Otto, Zalando und Mediamarkt

Amazon.de erreicht HC Rank 201, weit vor allen anderen deutschen E-Commerce-Domains. Dann kommt lange nichts. Idealo.de liegt bei 4.744, Otto.de bei 5.153, Thomann.de bei 6.536. Zalando.de erst bei 12.157, Aboutyou.de bei 21.728, Check24.de bei 22.634.

Und dann Mediamarkt.de: HC Rank 418.396. Trotz massiver Markenbekanntheit und hohem Traffic sitzt Mediamarkt.de in der Link-Topologie deutlich weiter außen als die Wettbewerber. Hier wird es spannend: Der PageRank von Mediamarkt.de (17.808) ist vergleichbar mit Otto.de (17.078). Ähnliche Backlink-Stärke, aber völlig verschiedene Position im Netzwerk.

Backlink-Quantität und Link-Topologie sind nicht dasselbe.

Abb. 2: HC Rank deutscher E-Commerce-Domains: Amazon.de sitzt 2.000-mal zentraler im Web als Mediamarkt.de.

Pro-Tipp: Genau der Mediamarkt-Otto-Vergleich zeigt, warum du Harmonic Centrality separat betrachten musst. Eine Domain kann nach klassischen Backlink-Metriken stark aussehen und trotzdem in der Netzwerkstruktur peripher sein.

SEO-Tool-Anbieter: Internationale Reichweite zahlt sich aus

Ahrefs.com kommt auf HC Rank 914, Semrush.com auf 1.318, Sistrix.de auf 6.253. Die Reihenfolge ist kein Zufall: Ahrefs und Semrush operieren global, werden weltweit verlinkt und sitzen entsprechend tiefer im Kern des Webs. Sistrix.de fokussiert auf den DACH-Raum (DACH = Deutschland, Österreich, Schweiz): stark in der Region, aber weniger zentral im globalen Netzwerk.

KI-Systeme zitieren alle drei regelmäßig zu SEO-Themen. Die Position im Web Graph liefert eine klare Erklärung dafür.

Kleine Domains im Web Graph: Warum hechtinsgefecht.de keinen HC Rank hat

Unsere eigene Domain hechtinsgefecht.de ist nicht unter den Top 10 Millionen im HC Rank. Aber sie ist im Common-Crawl-Archiv vertreten, mit 5 gecrawlten Seiten. Das ist die Realität für die meisten kleinen bis mittelgroßen Websites: Im Archiv vorhanden, aber ohne messbaren HC Rank.

Das heißt nicht, dass kleine Domains chancenlos sind. Harmonic Centrality ist ein Faktor unter vielen. Für LLM-Sichtbarkeit zählen auch Brand-Signale, strukturierte Daten und die inhaltliche Qualität. Wie weit man auch ohne hohen HC Rank kommen kann, zeigen die LLM-Citation-Daten der sichtbarsten SEO-Agenturen in Deutschland. Aber Harmonic Centrality bestimmt, wie viel Grundrauschen deine Domain in den Trainingsdaten erzeugt. Das ist ein Vorteil, den du durch Content allein kaum kompensieren kannst.

Kurzfristig ist fehlende Zentralität trotzdem kein K.-o.: serponado.org hatte als brandneue Domain weder HC Rank noch Web-Graph-Eintrag und gewann 2026 dennoch den SEO-Contest, weil der komplette Entity-Aufbau aus Schema, Definition, Citations und Bewertungen in Tagen statt Monaten stand. Harmonic Centrality entscheidet über das langfristige Grundrauschen in den Trainingsdaten, nicht über die Startchance.

Warum Domain Authority für AI Visibility nicht mehr reicht

Das alte Linkbuilding fokussierte auf das Ansammeln von Backlinks. Möglichst viele, möglichst starke. Domain Authority, eine Skala von 1 bis 100, war die Leitwährung.

Für AI Visibility (AI = Artificial Intelligence) reicht das nicht mehr. Was zählt, ist nicht nur die Quantität der eingehenden Links, sondern die Topologie des Backlink-Profils. Entscheidend ist, wo die verlinkenden Domains in der Gesamtstruktur des Webs sitzen. Artur Kosch beschreibt den Zusammenhang in seinem Artikel zu Harmonic Centrality treffend. HC misst nicht, wer auf dich verlinkt, sondern wie zentral deine Position im gesamten Web-Netzwerk ist.

Stephen Burns, Web Intelligence Lead bei der Common Crawl Foundation, geht in seinem Artikel „From SEO to AIO“ noch einen Schritt weiter. Ein einzelner Link von einer Domain tief im Kern des Webs könnte mehr für die Harmonic Centrality tun als Dutzende Links von isolierten Seiten.

Der SEO-Contest 2026 hat genau das im Feldversuch gezeigt: Alle 15 geprüften frischen Contest-Domains lagen bei Ahrefs auf Domain Rating 0, rund 90 % ihrer verweisenden Domains waren identischer PBN-Spam von isolierten Rand-Domains, und bewegt hat der nichts. Den Linkvergleich des Felds führte unsere Domain mit nur zwei echten Quellen tief im Kern des Webs an (Crunchbase DR 91, ein Karteneintrag DR 74) und gewann den Contest. Wie das ablief, steht im Beitrag zur Google Sandbox.

Das erklärt, warum manche Domains trotz weniger Backlinks in LLM-Antworten auftauchen und andere mit Hunderten Backlinks nicht. Die Backlinks kommen von den falschen Stellen im Netzwerk.

Korrelation zwischen Google-Ranking, HC Rank und LLM-Zitierung

Brie Moreau von White Light Digital Marketing hat über 2 Millionen LLM-Zitierungen analysiert. Ihre vorläufigen Ergebnisse zeigen eine starke Korrelation zwischen Google-Ranking und LLM-Zitierwahrscheinlichkeit. Position 1 bei Google bringt eine Wahrscheinlichkeit von 46 bis 48 %, von einem LLM zitiert zu werden. Position 10 sinkt auf 19 bis 20 %.

Noch interessanter: Moreaus Content-Analyse über 177 Millionen Quellen zeigt, dass LLMs bestimmte Formate bevorzugen. Comparative Listicles machen 32,5 % aller Zitierungen aus. Blogs und Meinungsbeiträge kommen auf 9,9 %, kommerzielle Shop-Seiten nur auf 4,7 %. LLMs zitieren Content, der Optionen vergleicht und Informationen strukturiert, nicht Produktseiten.

Die Korrelation zwischen Google-Ranking und LLM-Zitierung ist stark, erklärt aber nicht alles. Die Position im Web Graph könnte der fehlende Faktor sein.

Harmonic Centrality prüfen: CC Rank Checker

Metehan Yesilyurt hat ein kostenloses Tool gebaut, das die Web-Graph-Daten für SEOs zugänglich macht: den CC Rank Checker. Das Tool indexiert die Top 10 Millionen Domains über mehrere Zeiträume von 2023 bis 2026. Du kannst bis zu 10 Domains gleichzeitig vergleichen und die Rank-Entwicklung über Zeit verfolgen.

Zusätzlich kannst du direkt prüfen, ob deine Seite von Common Crawl gecrawlt wird. Der Common Crawl Index Server erlaubt die Suche nach URL-Patterns in den Crawl-Archiven. Einfach den aktuellsten Crawl auswählen, Domain eingeben, fertig. Du siehst sofort, welche Seiten erfasst wurden und mit welchem HTTP-Status (HTTP = Hypertext Transfer Protocol).

Tier-System des CC Rank Checker

Der CC Rank Checker ordnet Domains in 6 Tiers ein:

• Elite: Top 100 (Facebook, Google, YouTube, Wikipedia)
• Top 1K: Platz 101 bis 1.000 (große Plattformen, globale Brands)
• Top 10K: Platz 1.001 bis 10.000 (starke Domains mit breiter Vernetzung)
• Top 100K: Platz 10.001 bis 100.000 (die meisten bekannten Marken)
• Top 1M: Platz 100.001 bis 1.000.000 (mittelgroße Websites)
• Long Tail: Ab Platz 1.000.001 (die große Mehrheit)

Abb. 3: Das 6-stufige Tier-System des CC Rank Checker, von Elite (Top 100) bis Long Tail.

E-Commerce-Kunden landen in der Praxis meistens zwischen Top 100K und Top 1M. Alles darunter oder gar nicht gelistet heißt ganz schlicht: Für die meisten KI-Trainingspipelines ist die Domain deutlich weniger relevant.

5 Maßnahmen für bessere Harmonic Centrality

Harmonic Centrality verbessern heißt nicht: mehr Backlinks. Es geht um bessere Backlinks. Die 5 Maßnahmen sind: CC-Archiv-Präsenz prüfen. CCBot nicht blockieren. Links aus dem Kern des Webs aufbauen, die Content-Repräsentation erhöhen und den HC Rank regelmäßig gegen Wettbewerber benchmarken.

Abb. 4: 5 Maßnahmen zur Verbesserung der Harmonic Centrality und damit der KI-Sichtbarkeit.

1. Prüfen, ob du im Common-Crawl-Archiv bist

Das ist die absolute Grundvoraussetzung. Fehlt deine Domain im Archiv, fehlt sie auch in den Trainingsdaten. Auf dem CC Index Server dauert der Check etwa eine Minute: den aktuellsten Crawl auswählen, die Domain eingeben, Ergebnisse prüfen. Tauchen dort keine URLs deiner Domain auf, blockiert wahrscheinlich die robots.txt den CCBot. Oder die Domain ist zu jung und zu schwach verlinkt, um überhaupt in die Crawl-Queue zu kommen.

2. CCBot nicht blockieren

Schau in deine robots.txt. Manche Websites sperren den CCBot pauschal aus. Klar, oft, weil irgendwann jemand „alle Bots außer Google blockieren“ für eine gute Idee hielt. Wenn du für KI-Systeme sichtbar sein willst, ist das schlicht kontraproduktiv.

CCBot ist der Crawler, der die öffentlichen Trainingsdaten erzeugt. Das heißt nicht, dass du alle KI-Crawler erlauben musst. CCBot gehört trotzdem in die Whitelist.

3. Links aus dem Kern des Webs aufbauen

Statt nur auf Domain Authority zu achten, prüfe den HC Rank der verlinkenden Domain. Ein Link von einer Domain mit HC Rank unter 10.000 wiegt für die Link-Topologie schwerer als zehn Links von Domains außerhalb des Web Graph.

In der Praxis heißt das: Citations auf großen Plattformen verbessern beides, die NAP-Konsistenz (NAP = Name, Adresse, Telefon) und die Position im Web Graph. Zu den Plattformen zählen Google Maps, Yelp, LinkedIn und Branchenportale. Solche Plattformen sitzen tief im Kern des Webs, und ein Link von dort stärkt die Harmonic Centrality. Das ist letztlich auch der Grund, warum wir in unserer GEO-Strategie so stark auf Citations setzen.

4. Content-Repräsentation erhöhen

Je mehr Seiten deiner Domain Common Crawl erfasst, desto größer die Repräsentation in Trainingsdaten. Das heißt nicht, dass du Hunderte leere Seiten erstellen sollst. Jede qualitativ hochwertige Seite, die im CC-Archiv landet, erzeugt ein zusätzliches Signal.

„Qualitativ hochwertig“ heißt hier: Content, der vergleicht, strukturiert und Fakten liefert. Genau solche Formate zitieren LLMs bevorzugt.

5. HC Rank als Benchmark nutzen

Vergleiche den HC Rank deiner Domain über den CC Rank Checker regelmäßig mit den Wettbewerbern, idealerweise quartalsweise, da sich Harmonic Centrality langsam bewegt. Ein großer HC-Rank-Gap (Wettbewerber bei 6.800, eigene Domain bei 48.000) zeigt, dass Content allein die Lücke nicht schließt. Die Link-Topologie muss sich ändern.

Von „Index and Rank“ zu „Train and Retrieve“: Was Harmonic Centrality für die Zukunft von SEO bedeutet

Das alte Modell war „index and rank“. Google indexiert eine Seite, bewertet sie nach über 200 Signalen und zeigt sie in den Suchergebnissen.

Das neue Modell ist „train and retrieve“. KI-Systeme trainieren auf Web-Daten, speichern Wissen implizit in ihren Parametern und rufen bei einer Nutzeranfrage entweder aus dem Training oder live per Retrieval ab. Die Präsenz im Training ist die Voraussetzung für die Präsenz in der Antwort. Stephen Burns nennt das den Shift von SEO zu AIO (AIO = AI Optimization). Harmonic Centrality ist die Metrik, die den Shift messbar macht.

Harmonic Centrality ist nicht das einzige Signal. Aber es ist eines der wenigen, die wir messen und beeinflussen können. In unseren SEO- und GEO-Audits analysieren wir den CC Web Graph mittlerweile standardmäßig, zusammen mit LLM-Zitierungsanalysen und AI Search Volume. Die Kombination zeigt, wo eine Domain in der KI-Sichtbarkeit steht und welche strukturellen Maßnahmen den größten Hebel haben.

Wer nicht in den Trainingsdaten ist, existiert für KI-Systeme nicht. Harmonic Centrality bestimmt, wie oft Common Crawl eine Domain erfasst, und damit die Grundlage der KI-Sichtbarkeit.

Ich rechne damit, dass Harmonic Centrality sich von einer Nischenmetrik zum Standard-Feature in SEO-Tools entwickelt. Ahrefs, Semrush, Sistrix: die Daten sind öffentlich und kostenlos verfügbar. Es ist eher eine Frage der Zeit, bis HC neben Domain Rating und Authority Score in den Dashboards auftaucht.

Wo deine Domain im Web Graph steht und welche strukturellen Maßnahmen den größten Hebel haben, zeigt dir unser SEO- und GEO-Audit.

Fragen zu Harmonic Centrality

Eine Grounding Page ist eine dedizierte Faktenseite, die parallel zur normalen Website erstellt wird und KI-Systemen als semantischer Anker dienen soll. Im SEO-Bereich wird gerade intensiv über dieses Konzept diskutiert. Hanns Kronenberg, Head of SEO bei Chefkoch und Gründer von GPT Insights, hat den Grounding Page Standard entwickelt und das Konzept im DACH-SEO-Bereich etabliert. Grounding Pages gehören zum Bereich Entity SEO (Entitäts-Optimierung), der Disziplin, die Marken und Personen als eindeutige Entitäten im Knowledge Graph und in KI-Systemen verankert.

Die Arbeit von Kronenberg ist solide. Seine Analyse, wie KI-Systeme Entitäten verarbeiten, ist fundiert. Aber die Lösung (eine separate Seite nur für Maschinen) ist Overengineering. Und ich sage das als jemand, der seit Jahren Entitäten für den Google Knowledge Graph aufbaut.

Warum eine separate Grounding Page Overengineering ist

Mein Punkt ist nicht, dass die Prinzipien hinter Grounding Pages falsch sind: Dritte Person, faktisch, nüchtern, maschinenlesbar, alles davon ist richtig. Mein Punkt ist: Dafür braucht man keine zweite Seite.

Texte können beides zugleich sein: perfekt für LLMs und gut lesbar für Nutzer. Wer eine separate Fakten-Seite für KI-Systeme erstellen muss, weil die eigentliche Über-uns-Seite nur aus Marketing-Floskeln besteht, hat bei der Über-uns-Seite noch Potenzial nach oben.

Kronenberg selbst räumt ein: Eine gut strukturierte, faktenbasierte About-Seite kann als Grounding Page funktionieren. Das fasst meinen Standpunkt ziemlich gut zusammen.

Grounding Pages und AMP-Seiten: Dasselbe Muster

Vielleicht erinnerst du dich an AMP-Seiten. Google hat 2016 ein paralleles Seiten-Format eingeführt, das schneller laden sollte. Publisher pflegten jede Seite doppelt: einmal normal, einmal als AMP-Version. 2021 hat Google AMP als Ranking-Faktor gestrichen.

Die Lektion: Parallele Infrastrukturen für Maschinen fallen weg, sobald Maschinen besser werden.

Grounding Pages folgen demselben Muster. KI-Systeme werden besser darin, Informationen aus normalen Webseiten zu extrahieren, nicht schlechter. Eine separate Maschinenleseversion ist deswegen eine Brückentechnologie mit Verfallsdatum.

Grounding Pages erzeugen außerdem Pflegeaufwand. Jede Änderung an deinem Unternehmen musst du auf zwei Seiten nachziehen. Bei einer vergisst du es garantiert.

Eine faktenreiche, maschinenlesbare Seite mit veralteten Informationen wird zum Verstärker für falsche Informationen. Rüdiger Dalchow bringt es in seinem Blog „Grumpy Old SEO“ auf den Punkt: Eine veraltete Grounding Page ist ein „high-authority error amplifier“.

Was die Bing-Ankündigung wirklich sagt und was nicht

Im Mai 2026 hat das Bing-Team einen Blogpost mit dem Titel „Evolving role of the index: From ranking pages to supporting answers“ veröffentlicht. Darin steht der eine Satz, der seitdem als Beweis für Grounding Pages durch den SEO-Bereich gereicht wird: „Grounding indexing is being built to help AI systems decide what to say.“

Der Satz ist wichtig, aber er sagt etwas anderes als oft behauptet. Microsoft beschreibt eine Veränderung am Index, also auf der Retrieval-Seite. Bing bewertet Aussagen nach Evidenzqualität, Attribution, Faktentreue und Konflikterkennung. Das ist Infrastruktur bei Bing, kein neues Format für Publisher.

Die Lesart „Bing baut eine Evidenzschicht, also brauche ich eine Grounding Page“ verwechselt Konsumtion mit Produktion. Wenn der Index aus dem gesamten Web entscheidet, was ein KI-System zitieren darf, dann ist Groundability eine Eigenschaft deiner bestehenden Seiten, kein eigener Seitentyp. Eine Über-uns-Seite mit Hard Facts ist groundable. Eine Produktseite mit Hard Facts ist groundable. Eine zusätzliche Grounding Page konkurriert nur mit deinen eigentlichen Seiten um dieselbe Snippet-Auswahl.

Der Bing-Post bestätigt also die Richtung, nicht das Format. Genau wie bei AMP wird die Maschinenseite nachziehen, nicht der Publisher mit Parallel-Infrastruktur. Microsoft baut die Pipeline. Du sorgst dafür, dass deine vorhandenen Seiten zitierfähige Aussagen enthalten.

Was Grounding Pages richtig machen und was du davon übernehmen solltest

Kronenbergs Standard enthält Prinzipien, die für jede Über-uns-Seite gelten sollten:

• H1 = Entity-Name. Keine Claims, keine Slogans. Nur der Name.
• Erster Satz = Selbstdefinition. Wer du bist, was du machst, seit wann.
• Disambiguierung. Was dich von anderen mit dem gleichen Namen unterscheidet.
• Strukturierte Daten als Spiegel. JSON-LD muss die gleichen Fakten enthalten wie der sichtbare Text.
• Dritte Person. Über das Unternehmen schreiben, als würde man einen enzyklopädischen Eintrag verfassen.

All das gehört auf deine Über-uns-Seite. Nicht auf eine separate Grounding Page. Jason Barnard (CEO Kalicube, Brand-SERP-Experte) nennt so eine zentrale Seite das „Entity Home“: den einen Ort im Internet, den Google als autoritative Quelle für Fakten über eine Entität anerkennt. Die Über-uns-Seite ist das natürliche Entity Home für jedes Unternehmen.

Die Entity-Home-Theorie habe ich beim SEO-Contest 2026 unter Wettbewerbsbedingungen getestet: Der erste Satz unter der H1 war eine apodiktische Definition ohne Konjunktiv, und den Homepage-Title habe ich mitten im Contest auf das nackte Keyword gekürzt, weil die Kongruenz aus Title, H1, Domain und Schema-Name Termverwässerung schlägt. Die Domain gewann den Contest. Den kompletten Case zeigt der Beitrag zur Google Sandbox.

Welche Fakten in ein Entity-Dokument gehören

Egal ob du die Fakten auf einer separaten Grounding Page pflegst oder, wie ich empfehle, auf deiner Über-uns-Seite: Die Kategorien bleiben dieselben. Ein vollständiges Entity-Dokument deckt ab:

• Markenname und Rechtsform. Der offizielle Name, unter dem die Entität firmiert, plus gebräuchliche Schreibweisen.
• Hersteller oder Mutterunternehmen. Bei Produktmarken die Zuordnung zum Unternehmen dahinter.
• Produktkategorie. Was die Marke ist: Software, Arzneimittel, Dienstleistung. Ein Satz reicht.
• Kerneigenschaften. Bei Produkten Inhaltsstoffe oder Wirkstoffe, bei Dienstleistern die Kernleistungen.
• Zielgruppe und Anwendungsbereich. Für wen die Marke gedacht ist und wofür.
• USPs als überprüfbare Aussagen. Keine Superlative, sondern Fakten, die eine Maschine gegen andere Quellen verifizieren kann.
• Abgrenzung zum Wettbewerbsumfeld. Womit die Marke verwechselt wird und was sie unterscheidet.
• Vertriebskanäle und Preismodell. Wo es die Marke gibt und nach welcher Logik abgerechnet wird.

Wer diese Liste für ein Markenportfolio mit vielen Sub-Marken abarbeitet, stößt an die Grenze einer einzelnen Über-uns-Seite. Für diesen Fall gilt die Ausnahme im Abschnitt Wann separate Entity-Seiten Sinn ergeben: eine eigene Seite pro Marke, aber eine, die auch Kunden nützt.

Die Über-uns-Seite als Entity-Dokument schreiben

Eine Über-uns-Seite, die Kunden abholt, Google Signale gibt und LLMs füttert, steht auf 2 Faktoren: dem Schreibstil und der Substanz. 4 Stilregeln machen den Unterschied: dritte Person, Markenname am Satzanfang, Hard Facts statt Floskeln und kurze Sätze. Beides zahlt direkt auf die Zitierfähigkeit bei ChatGPT, Perplexity und Google ein.

Über-uns-Texte in der dritten Person schreiben

Geh die Sache so an, als würdest du ein Lexikon füttern. Statt „Wir sind ein innovatives Team…“, schreibst du besser: „HECHT INS GEFECHT ist eine SEO-Agentur aus Bremen, gegründet 2021 von Johannes und Benny Windolph.“

Der Grund: Google und KI-Systeme verarbeiten Texte in dritter Person direkt, ohne den Umweg über Pronomen-Auflösung. ChatGPT nutzt Zitate am liebsten direkt in der dritten Person. Wenn du das Format schon mundgerecht lieferst, bleibt dein Wording eher erhalten.

Nach Amt klingen soll das Ganze natürlich nicht. Die Mischung macht’s. Nicht so trocken wie Wikipedia, aber eben auch keine bunte TV-Werbung aus den Neunzigern.

Salience Score pushen: Brand an den Satzanfang

Pack deinen Markennamen direkt an den Start von Sätzen und Abschnitten. So steigt der Salience Score. Das ist letztlich Googles Metrik für die Relevanz einer Entität im Textumfeld, gemessen über die Cloud Natural Language API von 0.0 bis 1.0.

„HECHT INS GEFECHT unterstützt E-Commerce-Unternehmen bei…“ funktioniert deutlich besser als ein allgemeines „Wir unterstützen…“. KI-Systeme und Google erkennen so sofort, wer das Subjekt ist.

Pro-Tipp: Variiere zwischen dem vollständigen Markennamen und natürlichen Varianten. „HECHT INS GEFECHT“ am Anfang von Absätzen, „die Agentur“ oder „das Team“ als Variation dazwischen. Pronomen nicht fetten, das wirkt unnatürlich.

Hard Facts statt Floskeln auf der Über-uns-Seite

Hier liegt der eigentliche Unterschied zwischen einer guten und einer schlechten Über-uns-Seite. Hier liegt auch der Grund, warum manche Leute glauben, eine separate Grounding Page zu brauchen.

Schlecht: „Wir sind ein innovatives Team mit Leidenschaft für digitale Exzellenz.“

Gut: „HECHT INS GEFECHT ist eine SEO-Agentur aus Bremen. Gegründet 2021 von Johannes und Benny Windolph. Schwerpunkte: Technisches SEO, Semantisches SEO und Generative Engine Optimization für E-Commerce-Unternehmen.“

Der gute Text enthält 5 überprüfbare Fakten: Unternehmenstyp, Standort, Gründungsjahr, Gründer, Schwerpunkte. Der schlechte Text enthält 0. KI-Systeme können den faktenbasierten Text zitieren, mit Marketing-Floskeln können sie nichts anfangen.

Abb. 1: Über-uns-Floskeln liefern 0 überprüfbare Fakten, ein Entity-Dokument liefert 5.

Statt eine Grounding Page zu bauen, schneidest du den Fluff aus deiner Über-uns-Seite raus und ersetzt ihn durch relevante Informationen. Weg mit „innovativ“, „leidenschaftlich“, „ganzheitlich“. Her mit Gründungsjahr, Standort, Schwerpunkten, Kundensegmenten, messbaren Ergebnissen.

Kurze Sätze erhöhen die Informationsdichte

KI-Systeme verarbeiten Texte über Tokenisierung. Kurze, prägnante Sätze mit klarer Aussage lassen sich einfacher verarbeiten als verschachtelte Bandwurmsätze. „Alb Filter ist ein deutscher Hersteller von Wasserfiltern.“ Der Satz ist besser als ein Relativsatz mit 3 Einschüben.

Im Kern ist das dasselbe Prinzip wie im Semantischen SEO: Du machst es KI-Systemen einfach, Zusammenhänge zu verstehen und Entitäten aus dem Text zu ziehen. Und gleichzeitig wird der Text für Menschen lesbarer.

NAPD: Das Framework für konsistente Markenkommunikation

NAP-Konsistenz (NAP = Name, Address, Phone) kennst du wahrscheinlich aus dem Local SEO. In Zeiten von KI-Systemen reicht NAP nicht mehr aus. Was fehlt, ist das 4. Element: die Description.

NAPD steht für Name, Address, Phone, Description. Die Description ist das Puzzlestück, das die meisten Unternehmen vernachlässigen.

Abb. 2: Das NAPD-Framework erweitert NAP um die Description.

Warum die Description für KI-Systeme entscheidend ist

Beim Keywordkönig-Wettbewerb habe ich sehr stark auf Citations gesetzt, um zu testen, wie KI-Systeme mit Brand Mentions umgehen. Die konsistente Beschreibung über alle Profile hinweg war am Ende einer der stärksten Hebel für LLM-Sichtbarkeit. 199 Erwähnungen in Perplexity und Claude, der zweite Platz erreichte 131.

Für den Knowledge Graph experimentiere ich schon länger mit Beschreibungstexten. Es kommt auf das exakte Wording an. Wenn dein Google Business Profile „Agentur für Online Marketing“ schreibt, dein LinkedIn-Profil „Digitalagentur für SEO“ und deine Website „Full-Service-Agentur für digitale Transformation“, dann versteht kein KI-System, was du eigentlich machst. Jason Barnard nennt das Prinzip „Corroboration“: Erst wenn mehrere unabhängige Quellen dieselben Fakten bestätigen, stuft Google die Information als gesichert ein.

Markenbeschreibung in 750 Zeichen: Die NAPD-Description

Schreib eine einheitliche Markenbeschreibung von maximal 750 Zeichen. 750 ist das Limit im Google Business Profile, und es zwingt dich zur Dichte. In 750 Zeichen bleibt kein Platz für Floskeln. Jedes Wort muss eine Information tragen.

Die NAPD-Description wird dann überall identisch eingesetzt:

• Startseite (Über-uns-Sektion)
• Google Business Profile
• LinkedIn-Unternehmensprofil
• Trustpilot, ProvenExpert, Branchenverzeichnisse
• Social-Media-Profile
• Organization Schema (description-Feld)

KI-Systeme und Google filtern inkonsistente Kommunikation. 10 Quellen mit identischer Beschreibung erzeugen ein starkes Signal. 10 Quellen mit unterschiedlichen Beschreibungen erzeugen Unsicherheit, und unsichere Informationen zitiert kein KI-System.

So schreibst du die NAPD-Description

Der Beschreibungstext folgt einer klaren Struktur:

1. Erster Satz: [Markenname] ist [was] aus [wo].
2. Zweiter Satz: Gegründet [wann] von [wem].
3. Dritter Satz: Schwerpunkte: [Kernkompetenzen].
4. Vierter Satz: [USP (Alleinstellungsmerkmal) oder messbares Ergebnis].

Abb. 3: Die NAPD-Description als 4-Satz-Struktur für 750 Zeichen.

Verwende positive Formulierungen und aktive Sprache. Keine Verneinungen, keine Konjunktive. Platziere den Markennamen prominent in den ersten Sätzen, das erhöht die Salience.

Pro-Tipp: Lass die Beschreibung von einer zweiten Person prüfen. Wenn jemand, der nur diesen Text liest, versteht, was du machst, für wen und warum du besser bist als die Konkurrenz, dann taugt der Text.

Über-uns-Text auf der Startseite statt auf einer Unterseite

Viele Websites verbannen den Über-uns-Text auf eine Unterseite, die kaum jemand besucht. Das verschenkt Potenzial.

Die Startseite ist dafür prädestiniert, als Entity-Dokument zu funktionieren: Über-uns-Sektion mit Hard Facts, Vorstellung aller Dienstleistungen oder Produkt-Kategorien, interne Verlinkung auf die wichtigsten Unterseiten. Das ergibt eine Startseite, die für Nutzer, Google und KI-Systeme gleichzeitig funktioniert.

Bei einem Kunden aus der Metallbranche habe ich genau das umgesetzt: Den separaten Über-uns-Text auf die Startseite verlagert und in kompakte Boxen mit Bildern, Text und Buttons aufgeteilt. Kein „SEO-Text“ am Seitenende, sondern eine sinnvolle Unternehmenspräsentation.

Die Startseite hat den Vorteil, dass sie die meisten Backlinks und die höchste Autorität besitzt. Google crawlt die Startseite am häufigsten. Sucht Google oder ein KI-System Informationen über dein Unternehmen, ist die Startseite der erste Anlaufpunkt.

Wann separate Entity-Seiten Sinn ergeben

Ich bin nicht dogmatisch. In 3 Fällen sind separate Seiten für einzelne Entitäten sinnvoll. Gemeint sind aber keine Grounding Pages im Kronenberg-Sinne, sondern Seiten, die auch für Kunden nützlich sind:

• Personen. Eine Kanzlei mit mehreren Anwälten gibt jedem Anwalt eine eigene Unterseite mit Spezialisierung, Berufserfahrung und Person Schema. Das ist keine Grounding Page, das ist eine sinnvolle Teamseite. Ich plane das gerade mit einer Kanzlei für Steuerstrafrecht. Ich selbst habe als Co-Founder eine Personal Brand Page. Die Seite funktioniert gleichzeitig als Autorenprofil, als Entity-Referenz und als Kontaktseite.

• Produkt-Kategorien. Online-Shops haben ohnehin Kategorieseiten. Die Kategorieseiten mit einer klaren Kategorie-Description und strukturierten Daten auszustatten, ist gutes E-Commerce-SEO.

• Sub-Marken. Führt dein Unternehmen mehrere Marken, braucht jede Marke eine eigene Seite. Aber auch hier: Die Seite muss für Kunden nützlich sein, nicht nur für Maschinen.

Der Unterschied zu Grounding Pages: Ich packe den Inhalt dahin, wo er auch für Kunden nützlich ist. Statt eine Parallel-Infrastruktur nur für LLMs aufzubauen, mache ich bestehende Seiten besser.

Organization Schema: Strukturierte Daten als Spiegel der Über-uns-Seite

Deine Über-uns-Seite oder Startseite braucht ein Organization Schema (bei Personen: Person Schema) mit 7 Pflichtfeldern, das die gleichen Fakten enthält wie der sichtbare Text. Kronenberg betont die Spiegelung zu Recht, und viele Websites ignorieren sie.

Mindestens 7 Felder gehören ins Organization Schema:

• name und legalName
• foundingDate und founder
• address (vollständig)
• description (identisch mit der NAPD-Description)
• sameAs (alle verifizierten Profile)
• url (Startseite)
• contactPoint (Telefon, E-Mail)

Abb. 4: Organization Schema (JSON-LD) mit den 7 Pflichtfeldern als Spiegel der Über-uns-Seite.

Bei HECHT INS GEFECHT sind über 100 Profile im sameAs hinterlegt. Das klingt nach viel, ist aber der Beweis für Google und KI-Systeme: Diese Entität existiert, ist verifiziert und konsistent über das gesamte Internet vertreten.

Mehr zur strategischen Einbindung von Schema-Markup findest du im Artikel über Schema-Markup als SEO-Strategie.

6 Schritte zur Entity-optimierten Über-uns-Seite

1. Über-uns-Text überprüfen. Der Text muss überprüfbare Fakten enthalten statt Floskeln. Wörter wie „innovativ“, „leidenschaftlich“ oder „ganzheitlich“ durch konkrete Informationen ersetzen.
2. In die dritte Person umschreiben. „Wir sind“ durch „[Markenname] ist“ ersetzen.
3. NAPD-Description erstellen. 750 Zeichen, Hard Facts, dritte Person. Einmal schreiben, überall einsetzen.
4. Startseite prüfen. Eine Über-uns-Sektion gehört auf die Startseite, dazu Links auf die wichtigsten Unterseiten.
5. Profile abgleichen. Google Business Profile, LinkedIn, Trustpilot und Branchenverzeichnisse müssen dieselbe Beschreibung verwenden.
6. Organization Schema prüfen. Das Schema muss die Fakten der Website spiegeln: name, foundingDate, description, sameAs.

Abb. 5: Entity-optimierte Über-uns-Seite in 6 Schritten.

Die 6 Schritte sind solides Brand SEO, und sie machen Grounding Pages überflüssig.

Wenn du deine Über-uns-Seite oder Startseite als Entity-Dokument aufsetzen willst, schauen wir uns das für dich an: Jetzt Kontakt aufnehmen.

Häufige Fragen zu Grounding Pages und Über-uns-Seite

Quellen

• Hanns Kronenberg: Grounding Page Standard v1.5
• Microsoft Bing: Evolving role of the index: From ranking pages to supporting answers (Mai 2026)
• Rüdiger Dalchow: Grounding Pages: Clarity or SEO Theatre?, Grumpy Old SEO
• Jason Barnard: Entity Home Page
• Jason Barnard: How to Write an Entity Description
• Andrea Volpini et al.: Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval (arXiv, 2026)
• Google Cloud: Entity Salience Score, Cloud Natural Language API
• Google Cloud: Grounding Overview, Vertex AI
• Dejan AI: How Google Grounds Gemini
• Search Camp Podcast: Grounding Pages: Ein wertvoller GEO-Baustein? (Ep. 419)

Die meisten Unternehmen wissen nicht einmal, ob ChatGPT ihre Marke kennt. Gleichzeitig nutzen über 900 Millionen Menschen wöchentlich allein ChatGPT (offizielle OpenAI-Zahl, Februar 2026). Perplexity meldete zuletzt 780 Millionen Queries in einem Monat (Mai 2025), Google AI Overviews erreichen über 2,5 Milliarden Nutzer monatlich (Stand: Google I/O 2026). Das ist kein Nischenthema mehr.

LLM-Traffic konvertiert deutlich anders. Semrush hat im Juni 2025 gemessen: Besucher aus KI-Suchsystemen sind 4,4-mal wertvoller als klassische organische Besucher. Search Engine Land bestätigt über 13 Monate hinweg eine Conversion-Rate von 18 % für LLM-Referral-Traffic. Bei einem unserer Kunden aus der Medizintechnik messen wir seit Jahresbeginn 2026 eine Conversion-Rate von 12,65 % für LLM-Traffic. Zum Vergleich: Die organische Suche liegt bei 2 bis 3 %.

Die Kaufabsicht ist eine komplett andere, wenn jemand ChatGPT fragt „Welche SEO-Agentur in Bremen ist auf E-Commerce spezialisiert?“ und als direkte Empfehlung eine Marke bekommt. Da gibt es keine 10 blauen Links zum Vergleichen. Die Vorauswahl ist getroffen.

Abb. 1: Die Kernzahlen zu LLM-Traffic mit Reichweite, Conversion-Wert und gemessener Conversion-Rate.

Der Paradigmenwechsel: Von Keywords zu Prompts

Ich sage das in Erstgesprächen inzwischen offen: Keyword-Recherche allein reicht nicht mehr. Keywords waren immer eine Krücke: eine Übersetzungshilfe zwischen dem, was Menschen eigentlich wissen wollen, und dem, was sie in ein Suchfeld eintippen. LLMs machen die Übersetzungsarbeit überflüssig. Menschen stellen KI-Systemen vollständige Fragen in natürlicher Sprache.

Bei einem Kunden aus der Medizintechnik haben wir die Content-Strategie deswegen im Sommer 2025 komplett umgestellt. Keine Keyword-Recherche mehr, kein Suchvolumen, keine Difficulty-Scores. Stattdessen: Prompts aus RankScale als Grundlage für neue Blogposts.

Der Workflow sieht so aus:

1. Prompts identifizieren: RankScale analysiert, welche Fragen Nutzer bei KI-Systemen zu einem Themenfeld stellen.
2. Topics ableiten: Aus den Prompts ergeben sich Themencluster, die kein klassisches Keyword-Tool anzeigt.
3. Content schreiben: Blogposts, die exakt auf die identifizierten Prompts antworten: kurz, präzise, isoliert verständlich.
4. Sichtbarkeit tracken: Nach Veröffentlichung messen, ob und wo KI-Systeme den Content zitieren.

Ein konkretes Ergebnis aus dem Workflow: ein einziger Blogpost, bei Perplexity, ChatGPT und Gemini direkt auf Platz 1, für eine Frage, die bei Google praktisch kein Suchvolumen hat. Klassische Keyword-Recherche hätte so einen Blogpost nie priorisiert. Die Klicks pro Tag stiegen von durchschnittlich knapp 150 auf über 300 an guten Tagen, getrieben durch promptbasierte Blogposts.

Warum das funktioniert

90 % der ChatGPT-Citations kommen von Seiten auf Rang 21 oder schlechter bei Google. Nur 14 % der Top-Quellen überlappen zwischen Google AI, ChatGPT und Perplexity. Die Inhalte, die KI-Systeme als Antwort verwenden, sind fundamental andere als die, die bei Google auf Seite 1 stehen.

Content gezielt für LLM-Prompts zu schreiben lohnt sich deswegen auch dann, wenn das Suchvolumen bei Google null ist. KI-Systeme bedienen eine völlig andere Nachfrage.

LLM-Sichtbarkeit messen: Metriken und Tools

LLM-Sichtbarkeit ist kein Bauchgefühl. Es gibt inzwischen konkrete Metriken:

Abb. 2: Die 6 zentralen Metriken für LLM-Sichtbarkeit im Überblick.

• Visibility Score: Aggregierter Wert der Markenpräsenz über alle KI-Plattformen hinweg. 0 = unsichtbar, 100 = dominierend.
• Detection Rate: In wie viel % der Abfragen deine Marke überhaupt erkannt wird.
• Durchschnittsposition: Auf welcher Position deine Marke erscheint, wenn sie erwähnt wird. Position 1-3 ist relevant, alles danach kaum.
• Citations: Wie oft deine Domain als Quelle verlinkt wird: aktiv zitiert statt bloß erwähnt.
• Brand Mentions: Erwähnungen deiner Marke im Antworttext, mit oder ohne Link.
• Sentiment: Wie deine Marke dargestellt wird: positiv, neutral oder negativ.

Tools für LLM-Sichtbarkeits-Monitoring: RankScale, Otterly, DataForSEO

AI Search Monitoring bezeichnet das systematische Tracking der Markenpräsenz in KI-generierten Antworten, getrennt von klassischem Rank-Tracking, das nur Google-Positionen misst.

Zwei Tools nutzen wir in der Praxis:

RankScale (ab 20 $/Monat) ist ein AI Visibility Tracker, der 17 KI-Plattformen abdeckt. Die Spanne reicht von ChatGPT über Perplexity und Claude bis zu DeepSeek und Google AI Mode. RankScale trackt Visibility Scores, Citations, Sentiment und Wettbewerber-Vergleiche. Was RankScale besonders macht, ist die Prompt Research. RankScale rekonstruiert, welche Fragen Nutzer bei KI-Systemen stellen. Das ist die Grundlage für eine promptbasierte Content-Strategie. Für Agenturen liegt der Pro-Plan bei 99 $/Monat mit 10 Brands und 1.200 Rank-Credits.

DataForSEO AI Optimization API (ab 100 $/Monat Prepaid, Pay-per-Task) liefert die Rohdaten: LLM Mentions, AI Search Volume, Antworten von 11 Modellen über 4 Plattformen. DataForSEO ist klar keine fertige Monitoring-Lösung, sondern eine API für Entwickler und Agenturen, die LLM-Daten in eigene Tools oder Dashboards integrieren wollen. Ein Alleinstellungsmerkmal hat die API trotzdem: DataForSEO deckt als einziger der genannten Anbieter klassische SEO-Daten (SERPs, Rankings, Backlinks) und AI-Visibility-Daten aus demselben Konto ab. Für Teams, die ein Dashboard mit nur einer Integration bauen wollen, ist das die kürzeste Route.

Daneben wächst die Landschaft schnell. Otterly.ai (ab 29 $/Monat) bietet AI Search Monitoring mit Looker-Studio-Integration. Peec.ai (ab 85 €/Monat) fokussiert auf Sentiment-Analyse und AI-Visibility-Tracking über 6 Plattformen, ist preislich aber deutlich über RankScale und Otterly positioniert. Kalicube (Jason Barnard) verfolgt einen anderen Ansatz: weniger Monitoring, mehr aktive Brand-Steuerung über Knowledge Panel und AI Representation. Kalicube arbeitet als Beratungsmodell ab 6.000 $ für den ersten Monat.

Plattform-Unterschiede: Warum ChatGPT nicht Perplexity ist

Ein Fehler, den ich häufig sehe: LLM-Sichtbarkeit als monolithische Metrik zu behandeln. In der Praxis unterscheiden sich die Plattformen massiv.

Bei unserem Kunden aus der Medizintechnik zeigt RankScale eine Detection Rate von über 81 %, die Sichtbarkeit schwankt je nach Plattform aber teils deutlich. Manche Engines empfehlen die Marke konstant auf Position 1-3, bei anderen erscheint sie gar nicht. Klar ist: KI-Systeme greifen auf unterschiedliche Datenquellen zurück, gewichten Brand Signals anders und aktualisieren ihre Wissensbasis zu unterschiedlichen Zeitpunkten.

Auch wir bei HECHT INS GEFECHT sehen dasselbe. Für den Prompt „Beste SEO-Agenturen in Deutschland“ liegt unsere Visibility bei rund 27 % mit steigender Tendenz, die Detection Rate bei knapp 40 %. Die Werte ändern sich täglich, deswegen sind Snapshots letztlich nur Momentaufnahmen. Verglichen mit Claneo (~69 %), Suchhelden (~51 %) und morefire (~47 %) ist da noch Luft nach oben. Aber wir wissen jetzt ziemlich genau, wo.

Was das für die Strategie bedeutet

Du kannst nicht pauschal „für KI optimieren“. Du musst verstehen, welche Plattform welche Datenquellen nutzt, und genau dort sichtbar werden. ChatGPT stützt sich stark auf Websuche und strukturierte Daten. Voraussetzung bleibt, dass der ChatGPT-Crawler deine Website technisch überhaupt abrufen kann. Perplexity zitiert bevorzugt aktuelle Quellen mit klarer Faktenstruktur. Google AI Overviews bevorzugen Seiten, die bei Google bereits gut ranken, aber eben nicht ausschließlich.

LLM-Monitoring in der Praxis: Echte Daten aus RankScale

Wir tracken über RankScale aktuell 14 Marken, eigene und Kunden, über alle relevanten KI-Plattformen hinweg. Die Scores ändern sich täglich, deswegen gibt es hier einen Snapshot statt absoluter Zahlen. 3 Beispiele zeigen die Bandbreite: eine Personal Brand nahe 100 % Visibility, ein Medizintechnik-Kunde bei rund 67 % und HECHT INS GEFECHT bei rund 27 % für hochkompetitive Agentur-Prompts.

RankScale-Snapshot: drei Marken, drei Sichtbarkeitsniveaus

Auffällig sind 3 Dinge. Meine Personal Brand wird von praktisch allen Plattformen erkannt und auf Position 1 empfohlen: das Ergebnis konsequenter Entity-Etablierung über Schema-Markup, Brand SEO, über 100 konsistente Citations und aktives Bewertungsmanagement. Der Kunde aus der Medizintechnik steht bei über 67 % Visibility mit Durchschnittsposition 3,4. Für einen lokalen Anbieter ist das stark. HECHT INS GEFECHT liegt für generische Prompts wie „Beste SEO-Agenturen in Deutschland“ bei rund 27 %.

LLM-Sichtbarkeit korreliert nicht mit der Größe des Unternehmens. Entscheidend sind Eindeutigkeit, Konsistenz und Streuung der Markeninformationen im Internet. Sie entsteht durch gezielte Signalkonsistenz: einheitliche Markenbeschreibungen, verifizierbare Fakten im Content und aktive Citations.

Den Doppel-Beweis dafür haben wir selbst geliefert: 2025 holte keywordkoenig.org beim SEO-Contest Platz 3 bei Google und Platz 1 im KI-Wettbewerb (199 LLM-Erwähnungen), 2026 gewann serponado.org den SEO-Contest komplett, eine brandneue Domain mit Domain Rating 0, deren Entity-Aufbau aus Schema, Definition, Citations und Bewertungen in Tagen statt Monaten stand. Tempo und Vollständigkeit des Entity-Aufbaus kompensieren fehlendes Domain-Alter. Wie, zeigt der Beitrag zur Google Sandbox.

Der Kundencase: Content-Strategie ohne Keywords

Bei einem Kunden aus der Medizintechnik haben wir im Sommer 2025 einen radikalen Wechsel vollzogen. Statt Keyword-Recherche nutzen wir ausschließlich RankScale-Prompts als Input für die Content-Strategie. Die Bilanz: 12,65 % Conversion-Rate über LLM-Traffic, +200 % LLM-Sessions innerhalb eines Monats und über 67 % LLM-Sichtbarkeit für den Standort.

Ausgangslage: solide Google-Rankings, keine LLM-Transparenz

Der Kunde stand bei Google solide. 130 Keywords auf Platz 1-3, Traffic-Wert von etwa 16.000 € monatlich. Aber: Aus dem Team des Kunden kam die Rückmeldung: „Die jungen Leute suchen bei ChatGPT. Und da werden wir nicht gefunden.“ Doch, wurden sie. Es wusste nur niemand, weil niemand gemessen hat.

Von SEO-Keywords zu semantischen Content-Signalen

Wir haben aufgehört, klassische Keyword-Recherche zu machen. Stattdessen:

1. RankScale-Analyse der bestehenden Seiten: zeigt, welche Themen die aktuellen Seiten abdecken und wo Lücken in der LLM-Sichtbarkeit sind.
2. Prompt-Generierung: RankScale identifiziert relevante Nutzer-Prompts zu Themenfeldern: vollständige Fragen statt Keywords.
3. Kurze, fokussierte Blogposts: Ein Thema pro Post, direkte Antwort auf den Prompt, keine Keyword-Stuffing-Textwüsten.
4. Dual-Tracking: Google-Performance über die Search Console, LLM-Performance über RankScale.

12,65 % Conversion-Rate über LLM-Traffic

LLM-Sichtbarkeit für den Standort: über 67 %, Top 3 in über 50 % der Fälle, Durchschnittsposition 3,4. Für einen lokalen Anbieter in einem kompetitiven Markt.

Traffic: +200 % Sessions aus LLMs innerhalb eines Monats. Für ein Kernthema sogar +700 %.

Conversion: 12,65 % Conversion-Rate für LLM-Traffic seit Januar 2026. Verglichen mit 2 bis 3 % über die organische Google-Suche.

Keywords: Die Zahl der Top-3-Keywords ist von 130 auf 56 gesunken. Der Traffic-Wert liegt trotzdem fast auf dem gleichen Niveau. Weniger Keywords, bessere Keywords, mehr LLM-Sichtbarkeit.

Was Analytics nicht zeigt

Eine Einordnung, die ich in jedem Kundengespräch klarstelle: Die 12,65 % Conversion-Rate beziehen sich ausschließlich auf den direkt messbaren LLM-Traffic. Gemeint sind Nutzer, die über einen Link in der KI-Antwort tatsächlich klicken. Der reale Einfluss von LLM-Sichtbarkeit liegt sehr viel höher.

Hintergrund dazu: Nicht jedes KI-System verlinkt die empfohlene Marke. Und selbst wenn ein Link ausgegeben wird, googelt ein nicht zu unterschätzender Anteil der Nutzer den Markennamen anschließend ohnehin nochmal. In Google Analytics taucht so ein Besuch dann als organischer Traffic oder als Direct Traffic auf, nicht als LLM-Referral. Die KI-Empfehlung hat den Klick ausgelöst, in keinem gängigen Attribution-Modell ist sie aber sichtbar.

Was sich messen lässt, sollte sauber gemessen werden: LLM-Referrals werden in GA4 erst sichtbar, wenn du Referrer wie chatgpt.com, perplexity.ai und gemini.google.com in einer eigenen Channel-Gruppe bündelst. Ohne diese Konfiguration landet der Traffic unsichtbar in Direct oder Referral, und das Tracking wirkt kaputt, obwohl nur die Zuordnung fehlt.

Genau die Lücke zwischen KI-Empfehlung und messbarem Klick meine ich, wenn ich von einem Dark Funnel spreche. Der zuverlässigste indirekte Indikator dafür ist das Branded Search Volume. Wenn mehr Menschen deinen Markennamen bei Google eingeben, ohne dass du an deiner Google-Strategie geschraubt hast, deutet das stark darauf hin, dass KI-Systeme deine Marke empfehlen. Wir tracken bei Kunden deswegen immer beides nebeneinander: die direkten LLM-Referrals in Analytics und das Branded Search Volume in der Search Console.

Im selben Kundencall habe ich es so formuliert: „Wo stehen wir bei Google? Das ist mir gerade ein bisschen Wurst. Hauptsache wir werden gefunden.“ Google bleibt relevant. Die ständige Fixierung auf das Google-Ranking verstellt aber den Blick auf die Gesamtsichtbarkeit.

Was die Forschung bestätigt

Die Zahlen aus der Praxis decken sich mit aktuellen Studien:

• GEO-Paper (KDD ’24): In Einzelbeispielen der Studie erhöht eine Quellenangabe im Text die LLM-Sichtbarkeit um 132,4 %, autoritativer Ton um 89,1 %, relevante Statistiken um 65,5 %. Über alle getesteten Queries hinweg nennt das Paper für die besten Methoden (Quellenangaben, Zitate, Statistiken) eine Steigerung von 30 bis 40 %.
• Ahrefs (Juni 2025): Nur 14 % der Top-Quellen überlappen zwischen Google AI, ChatGPT und Perplexity. Drei Ökosysteme, drei Optimierungsstrategien.
• Semrush (Juni 2025): 90 % der ChatGPT-Citations kommen von Seiten jenseits der Google-Top-20. Google-Ranking allein reicht nicht.
• TrustRadius (April 2025): 90 % der Käufer klicken auf in AI Overviews zitierte Quellen. Die Empfehlung durch ein KI-System ist kein Endpunkt, KI-Systeme leiten qualifizierten Traffic weiter.

Abb. 3: Visibility-Impact laut GEO-Paper, gemessen an Einzelbeispielen der Studie. Quellenangabe im Text hat den größten Effekt auf die LLM-Sichtbarkeit; der Durchschnitt über alle Queries liegt bei 30 bis 40 %.

Wir investieren deswegen in LLM-Sichtbarkeit, als zweite Säule neben der Google-Optimierung.

Dass das in der Praxis funktioniert, haben wir beim SEO-Wettbewerb von Agenturtipp 2025 im Zeitraffer bewiesen. Für das fiktive Keyword „Keywordkönig“ haben wir konsequent auf LLM-Sichtbarkeit optimiert: NAPD-Konsistenz, Citations, Schema-Markup, semantisch optimierter Content. Am Ende standen 199 Erwähnungen in Perplexity und Claude und Platz 1 im KI-Wettbewerb von RankScale, mit 60 Erwähnungen Abstand zum Zweitplatzierten. Die Details zum Vorgehen beschreibe ich im GEO-Artikel.

Content für LLM-Sichtbarkeit schreiben

Die Prinzipien für LLM-optimierten Content habe ich ausführlich im Artikel zu Semantischem SEO beschrieben. Für den Kontext LLM-Sichtbarkeit sind 5 Punkte besonders relevant:

1. Antwort zuerst. KI-Systeme extrahieren die erste relevante Aussage eines Absatzes. Die Kernaussage gehört in den ersten Satz, nicht in den dritten Absatz.
2. Isoliert verständliche Absätze. KI-Systeme lesen einzelne Chunks, keine ganzen Seiten. Jeder Absatz muss ohne den Rest der Seite funktionieren.
3. Konkrete Fakten. KI-Systeme zitieren bevorzugt verifizierbare Daten: Zahlen, Jahreszahlen, benannte Standards. „Wir sind seit 2005 am Markt“ ist zitierbarer als „seit vielen Jahren“.
4. Keine negative Sprache. Das habe ich durch RankScale-Analysen herausgefunden: KI-Systeme gewichten das Text-Sentiment bei der Antwortgenerierung. Negative Formulierungen und Aggressivität können die Wahrscheinlichkeit einer Zitation verringern.
5. Kurze Sätze, aktive Sprache. Keine eingeschobenen Nebensätze, keine Vergleiche, keine Allegorien. Das ist auch für Cost of Retrieval wichtig, KI-Systeme verarbeiten klare Strukturen effizienter.

Zum Format gehört der Zuschnitt des Content-Programms: pro identifiziertem Prompt eine eigene, kurze Seite statt eines Pillar-Monolithen. Die Seitenanzahl ergibt sich aus der Größe des Prompt-Sets, nicht aus Suchvolumen-Tabellen. Und die Kadenz bleibt kontinuierlich statt Einmalprojekt, denn neue Posts tauchen teils binnen Tagen in KI-Antworten auf, wie der Kundencase oben zeigt.

In einem Interview mit einem Studenten, der seine Masterarbeit zum Thema LLM-Optimierung schreibt, habe ich es so formuliert: Keywords waren immer eine Übersetzungshilfe. LLMs eliminieren die Übersetzungsarbeit, sowohl auf der Nutzerseite als auch auf der Anbieterseite. Das Spielfeld wird dadurch egalisiert. Kleine Unternehmen, die ihre Marke klar definieren und konsistent kommunizieren, können mit deutlich größeren Wettbewerbern konkurrieren.

LLM-Sichtbarkeit aufbauen: Der Fahrplan

Wer bei null anfängt, braucht ehrlicherweise keinen 20-Punkte-Plan. 5 Schritte reichen. Die Schritte 2 bis 4 beschreibt unser GEO-Guide im Detail, hier steht das Wesentliche:

1. Ist-Zustand messen. KI-Systeme bei ChatGPT, Perplexity und Gemini direkt zur eigenen Marke befragen. Oder professionell über RankScale oder DataForSEO.
2. NAPD-Konsistenz herstellen. Name, Adresse, Telefon, Beschreibungstext (NAPD), überall identisch. Wie der Beschreibungstext aussehen muss, zeigt unser Entity-Dokument-Guide.
3. Citations aufbauen. 50 generische Profile als Basis, danach die Portale, die KI-Systeme selbst als relevant nennen.
4. Content auf Prompts ausrichten. RankScale oder ähnliche Tools nutzen, um relevante Nutzer-Prompts zu identifizieren. Kurze, fokussierte Antworten schreiben.
5. Monitoring einrichten. Wöchentlich messen, monatlich auswerten, das Prompt-Set dabei konstant halten, sonst sind die Werte nicht vergleichbar. Plattform-Unterschiede beobachten. Bei Sentiment-Einbrüchen sofort reagieren.

Abb. 4: Der Fahrplan in 5 Schritten zum Aufbau von LLM-Sichtbarkeit.

Wie sichtbar deine Marke bei KI-Systemen gerade ist, schauen wir uns im kostenlosen SEO-Audit gemeinsam an.

Häufige Fragen zu LLM-Sichtbarkeit

Quellen

• Semrush (Juni 2025): „The Real Value of AI Search Traffic“, AI-Search-Besucher 4,4x wertvoller, 90 % der ChatGPT-Citations von Seiten jenseits Rang 21
• Search Engine Land (Feb. 2026): „LLM Referral Traffic Study“, 18 % Conversion-Rate über 13 Monate Messzeitraum
• Aggarwal et al. (2024): „GEO: Generative Engine Optimization“, KDD ’24. Visibility-Impact in Einzelbeispielen: Citations +132,4 %, Statistiken +65,5 %, autoritativer Ton +89,1 %; Durchschnitt über alle Queries: 30 bis 40 %
• Ahrefs (Juni 2025): „AI Search Citation Overlap Study“, nur 14 % Quellenüberlappung zwischen Google AI, ChatGPT und Perplexity
• TrustRadius (April 2025): „B2B Buying Disconnect“, 90 % der Käufer klicken auf in AI Overviews zitierte Quellen
• OpenAI (Februar 2026): ChatGPT erreicht 900 Mio. wöchentliche aktive Nutzer
• Perplexity (Juni 2025): 780 Mio. Queries im Mai 2025, CEO-Angabe auf dem Bloomberg Tech Summit
• Google I/O 2026 (Mai 2026): AI Overviews mit über 2,5 Mrd. monatlichen Nutzern, Keynote Sundar Pichai
• Windolph, Benny: „Semantisches SEO“, HECHT INS GEFECHT, Content-Regeln für Google und KI-Systeme
• Windolph, Benny: „GEO: Generative Engine Optimization“, HECHT INS GEFECHT, NAPD-Framework und Citations

Ehrlicherweise: Die Klicks, die AI Overviews wegnehmen, waren in der Regel vorher schon ein Nullsummenspiel. Entweder ich oder mein Konkurrent hat sie bekommen, im Wechsel. In der Google Search Console sahen solche Klicks gut aus, aber gekauft hat von diesen Besuchern in den meisten Fällen niemand.

Die eigentliche Frage ist nicht „Wie bekomme ich meine Klicks zurück?“, sondern: Wie nutze ich AI Overviews als Brand Touchpoint?

Was AI Overviews sind und was nicht

AI Overviews sind die Antwort von Google auf ChatGPT, im wörtlichen Sinn. Google nutzt Gemini, um aus den Inhalten indexierter Seiten eine zusammenfassende Antwort zu generieren. Die generierte Antwort erscheint direkt über den organischen Ergebnissen, mit Quellenverweisen auf die zitierten Seiten.

AI Overviews sind letztlich eine eingedampfte, KI-generierte Version von Googles bisherigen Featured Snippets. Sie sind umfangreicher, kontextbezogener und fassen Informationen aus mehreren Quellen zusammen.

Was AI Overviews nicht sind: ein eigenständiges KI-System. AI Overviews greifen primär auf Googles bestehenden Index zu. Sie crawlen keine neuen Seiten und nutzen überwiegend bereits indexierte Inhalte. Das unterscheidet sie fundamental von ChatGPT oder Perplexity. AI Overviews ist kein eigenständiges Produkt, sondern ein in Google Search integriertes Gemini-Feature, verankert in derselben Infrastruktur wie Googles organische Suche.

AI Mode geht noch einen Schritt weiter: Der eigenständige, konversationelle Suchmodus ersetzt die Ergebnisliste komplett durch ein Gespräch. Was das für Online-Shops bedeutet, haben wir im Beitrag zu Google AI Mode aufgeschrieben.

AI Overviews, ChatGPT und Perplexity: 3 Systeme, 3 Logiken

Durch die SEO-Welt geistern gerade 4 Begriffe: GEO (Generative Engine Optimization), LLMO (Large Language Model Optimization), GAIO (Generative AI Optimization), AEO (Answer Engine Optimization). Alle 4 beschreiben im Kern dasselbe Problem: Sichtbarkeit in KI-generierten Antworten. Aber die Systeme dahinter funktionieren unterschiedlich, und wer das ignoriert, optimiert am Ziel vorbei.

ChatGPT ist ein reines LLM (Large Language Model). Wenn ChatGPT keine ausreichenden Informationen in den Trainingsdaten findet, recherchiert es im Internet. ChatGPT ist am besten im Verstehen komplexer, mehrteiliger Fragen. Die Stärke liegt in der Tiefe, nicht in der Breite.

Perplexity ist eine Mischung aus Suchmaschine und LLM. Perplexity durchsucht das Web bei jeder Anfrage und kombiniert die Ergebnisse mit einem Sprachmodell. Perplexity zitiert Quellen explizit und verlinkt sie direkt. Das macht Perplexity für SEOs besonders interessant.

Google AI Overviews sind eine schnellere, eingedampfte Version von Gemini. AI Overviews greifen auf Googles bestehenden Index zurück. Die Datenbasis ist dieselbe, die auch die organischen Ergebnisse speist. Das heißt: Wer bei Google organisch nicht gefunden wird, hat deutlich geringere Chancen, in AI Overviews zu erscheinen.

Was alle drei verbindet: Auch LLMs recherchieren im Internet, wenn ihnen das Material in den Trainingsdaten fehlt. Das bietet Chancen, besonders dann, wenn du fernab der eigenen Website präsent bist: auf Branchenportalen, in Fachartikeln, auf Bewertungsplattformen. Wer seine Brand SEO ernst nimmt, profitiert in allen drei Systemen gleichzeitig.

Abb. 1: AI Overviews, ChatGPT und Perplexity. 3 Systeme, 3 Datenquellen, 3 Logiken.

Warum der Klickverlust kein Problem ist

Die Datenlage ist eindeutig, und sie kommt von mehreren Seiten. Das Pew Research Center hat fast 69.000 Google-Suchen analysiert: Nutzer klicken bei AI Overviews nur in 8 % der Fälle auf ein Ergebnis. Ohne AI Overview sind es 15 %. Etwa die Hälfte. Ahrefs kommt auf 34,5 % weniger Klicks, in einem Update von Februar 2026 sogar auf 58 %. Und Seer Interactive misst bei 3.119 Suchbegriffen und 25 Millionen Impressionen einen organischen CTR-Rückgang (CTR = Click-Through-Rate) von 61 %.

In meinen GSC-Daten (GSC = Google Search Console) sehe ich das bestätigt: Informationelle Klicks gehen durch die Bank zurück.

Informationelle Suchanfragen („Was ist Femto-LASIK?“, „Wie funktioniert ein Palettierroboter?“) waren schon immer schwer zu monetarisieren. Der Nutzer will eine schnelle Antwort, nicht ein Produkt kaufen. Wenn Google die Antwort jetzt direkt in der Suche liefert, verliert man Klicks, die ohnehin selten zu Conversions geführt haben. Rand Fishkin (Gründer SparkToro) hat das Phänomen schon vor AI Overviews belegt: 58,5 % aller Google-Suchen in den USA enden ohne einen einzigen Klick. AI Overviews beschleunigen einen Trend, der längst da war.

Die Studien zeigen aber noch eine zweite Bewegung: LLM-Traffic konvertiert deutlich besser. Wir messen bei Kunden Conversion-Raten von über 12 % für Traffic aus KI-Systemen, verglichen mit 2-3 % über die klassische organische Suche. Semrush bestätigt: Besucher aus KI-Suchsystemen sind 4,4-mal wertvoller als klassische organische Besucher. Search Engine Land berichtet über 13 Monate Tracking hinweg von einer Conversion-Rate von 18 % für LLM-Referral-Traffic, der höchsten aller Traffic-Quellen. Die Details dazu haben wir in unserem Artikel über LLM-Sichtbarkeit zusammengefasst.

Die Rechnung ist deswegen eine andere, als viele SEOs befürchten: Weniger Klicks, aber die verbleibenden Klicks sind wertvoller. Wer vorher 10.000 informationelle Klicks im Monat hatte, von denen 50 konvertiert haben, und jetzt 5.000 Klicks hat, von denen 200 konvertieren, hat gewonnen.

Brand Touchpoints statt Klicks: Die eigentliche Chance

Deine Marke erscheint in einem AI Overview, der Nutzer klickt aber nicht. Die Nennung ist ein Brand Touchpoint, kein Verlust.

Die meisten in AI Overviews zitierten Inhalte hätten auch nach einem Klick selten einen Produktkauf oder Abschluss nach sich gezogen. Da sucht jemand eine schnelle Antwort. Aber wenn deine Marke genau in dem Moment sichtbar ist (als zitierte Quelle, als genannte Empfehlung), passiert etwas, das kein Klick-Tracking erfasst: Brand Recognition.

Dasselbe Prinzip kennt jeder aus dem Local SEO: Ein Nutzer sieht dein Google Business Profil im Local Pack und klickt nicht. Wenn er nächste Woche einen Anbieter braucht, erinnert er sich trotzdem an den Namen. AI Overviews funktionieren nach demselben Muster: Die Sichtbarkeit zählt, nicht der einzelne Klick.

Und genau deswegen hat Brand SEO für AI Overviews eine doppelte Funktion. Erstens brauchst du eine starke Marke, damit Google sie in AI Overviews überhaupt als Quelle heranzieht. Zweitens profitiert deine Marke von jeder Erwähnung in AI Overviews, unabhängig davon, ob jemand klickt.

Für AI Overviews optimieren: 3 Hebel

Wenn ein Kunde sagt „Ich will in AI Overviews erscheinen“, prüfe ich 3 Dinge zuerst.

Abb. 2: Die 3 Optimierungshebel für AI Overviews.

Cost of Retrieval senken

Google muss deine Seite crawlen und verarbeiten können, schnell und effizient. Google zieht deine Seite nicht für AI Overviews heran, wenn sie 3 Sekunden TTFB (Time to First Byte) hat. Dasselbe gilt für 12.000 Zeilen HTML-Bloat (HTML = Hypertext Markup Language) und für Redirect-Ketten, die Googles Crawl-Budget verschwenden.

Der Grund: Google setzt AI Overviews aus mehreren Quellen zusammen. Jede Quelle, die langsam oder aufwändig zu verarbeiten ist, hat einen höheren „Cost of Retrieval“ und wird zugunsten einer schnelleren Alternative übersprungen. Die technischen Details dazu stehen im Artikel über Cost of Retrieval.

Informational Gain maximieren

Google hat ein Patent für den „Information Gain Score“. Der Wert misst, wie viel neue Information eine Seite im Vergleich zu anderen Seiten zum selben Thema liefert. Kevin Indig (Growth-Advisor, Autor „Growth Memo“) hat das in seinem Artikel „Information Gainz“ auf den Punkt gebracht. Der Score bewertet, wie viel mehr ein Nutzer erfährt, wenn er deine Seite nach anderen Seiten zum selben Thema liest. Für AI Overviews ist der Faktor entscheidend: Google zitiert deine Seite nur, wenn sie mehr bietet als die 20 anderen mit demselben generischen Inhalt.

Informational Gain entsteht durch eigene Daten, eigene Erfahrungen, eigene Cases. Ein konkretes Beispiel: Wir haben bei einem Kunden aus der Medizintechnik gemessen, dass LLM-Traffic eine Conversion-Rate von 12,65 % hat. Die Zahl 12,65 % taucht nirgendwo sonst auf. Das ist Informational Gain, und genau das stufen KI-Systeme als zitierwürdig ein.

Entity Salience optimieren

Google erkennt Entitäten in deinem Text: Marken, Produkte, Personen, Konzepte. Entity Salience beschreibt, wie prominent eine bestimmte Entität in deinem Text ist, quantifiziert als Wert zwischen 0 und 1 in Googles NLP API. Die Salience der Kern-Entität sinkt, wenn dein Text über „Augenlasern“ schreibt, aber zwischendurch über Urlaubsplanung und Versicherungsvergleiche abschweift.

Entity Salience hat direkte Auswirkungen auf AI Overviews: Google zieht Seiten heran, die eine klare thematische Zuordnung haben. Die Methoden dafür haben wir im Artikel über Semantisches SEO erklärt, besonders die Prinzipien „Thematische Kohärenz halten“ und „Kernaussage zuerst platzieren“. Jason Barnard (CEO Kalicube, Brand-SERP-Experte) beschreibt auf Kalicube, wie Entitäten über das gesamte digitale Ökosystem hinweg konsistent definiert und gestärkt werden müssen. Das gilt für Google genauso wie für KI-Systeme.

Und es gibt eine messbare Schnittmenge zu Featured Snippets. BrightEdge hat ermittelt, dass AI Overviews 195 % häufiger erscheinen, wenn bereits ein Featured Snippet vorhanden ist. Was Google in Featured Snippets blau markiert hat, hat Google als relevante Entität erkannt. Wer für Featured Snippets optimiert hat, hat bereits die Vorarbeit für AI Overviews geleistet. Die Entity-Ebene war der gemeinsame Nenner.

Content-Strategie: Den Heuhaufen reduzieren

Die klassische SEO-Strategie war jahrelang das Skyscraper-Modell: Schreib den längsten, umfassendsten Artikel zum Thema. 5.000 Wörter, jeder Nebenaspekt abgedeckt, jedes verwandte Keyword eingebaut.

Für AI Overviews ist das kontraproduktiv.

LLMs müssen die relevante Information in deinem Content finden: die Nadel im Heuhaufen. Je größer der Heuhaufen, desto schwieriger wird es. Oder anders gesagt: Wer den Heuhaufen aktiv reduziert, macht es LLMs leichter, die Nadel zu finden.

Heuhaufen reduzieren heißt nicht, weniger zu veröffentlichen. Es heißt, dichter zu schreiben. Jeder Satz muss Informationswert liefern. Kein Filler, kein Warmup, keine Absätze, die nur existieren, um die Wortanzahl zu strecken.

Für AI Overviews schlägt ein präziser 800-Wörter-Artikel, der eine Frage direkt und mit eigenen Daten beantwortet, jeden 3.000-Wörter-Rundumschlag mit der Antwort irgendwo im dritten Drittel.

Schema-Markup als direkter Kanal zu Google AI

Schema-Markup schadet AI Overviews auf keinen Fall und bietet einen Vorteil, den die meisten unterschätzen: Das Markup ist die maschinenlesbare Ebene deiner Seite.

Schema-Markup in JavaScript Object Notation for Linked Data (JSON-LD) steht im <head> der Seite. Google kann es verarbeiten, auch wenn die restliche Seite nicht vollständig gerendert wird. Die Gründe dafür sind alltäglich: Der Server ist langsam, JavaScript blockiert das Rendering, der Crawl bricht ab. Strukturierte Daten verbessern Rankings nicht direkt, bieten aber einen direkten Kommunikationskanal mit Google und KI-Systemen.

Die Daten von Schema App untermauern das: Nach der Implementierung von Entity Linking über Schema-Markup stieg die AI-Overview-Sichtbarkeit um 19,72 %. Ein Kunde (InSinkErator) verzeichnete 69 % mehr Klicks für nicht-markenbezogene Suchanfragen nach der Schema-Implementierung.

Für AI Overviews heißt das konkret: Organization Schema, Product Schema und FAQ Schema liefern Google maschinenlesbare Fakten. AI Overviews verwenden die Fakten direkt und müssen den Content gar nicht erst interpretieren.

Produktseiten in AI Overviews

Produktseiten habe ich in AI Overviews bei Kunden bisher direkt nicht gesehen. AI Overviews beantworten aktuell vor allem informationelle Suchanfragen, selten transaktionale. Aber das wird sich ändern.

Wer sich vorbereiten will, sollte 3 Dinge tun:

1. Strukturierte Daten nutzen: Product Schema mit allen relevanten Attributen (Preis, Verfügbarkeit, Bewertungen, technische Spezifikationen). Google braucht maschinenlesbare Fakten über dein Produkt.
2. Fakten statt Marketing-Sprache: AI Overviews zitieren keine Werbeversprechen. Maximale Daten und Fakten auf der Produktseite (Maße, Materialien, Vergleichswerte, Testergebnisse).
3. Google Merchant Center: Produkte über Feeds an das Google Merchant Center weitergeben. Das ist ein separater Datenkanal, den Google für Shopping-Ergebnisse und potenziell auch für AI Overviews nutzt.

AI Overviews messen und tracken

Die Google Search Console zeigt AI Overviews nicht separat. Du siehst nicht, wie viele Impressionen oder Klicks aus AI Overviews kommen. Das ist ein blinder Fleck, aber es gibt Alternativen.

Bing Webmaster Tools haben eine „AI Performance“-Sektion. Hier siehst du, wie oft deine Seiten in Bing Copilot (Microsofts Äquivalent zu AI Overviews) erscheinen und zitiert werden.

LLM-Tracker wie RankScale ermöglichen es, bestimmte Prompts zu tracken. Du definierst Prompts mit Relevanz für dein Geschäft: Fragen, die deine potenziellen Kunden an KI-Systeme stellen. RankScale prüft regelmäßig, ob und wo deine Marke in den Antworten erscheint.

Der entscheidende Perspektivwechsel: Messe nicht Klicks, messe Brand-Sichtbarkeit. Ob deine Marke in der Antwort erscheint, ist wichtiger als ob jemand anschließend klickt. Dafür braucht es keine perfekte Tracking-Lösung, sondern ein Umdenken in der Erfolgsmessung. Den vollständigen Framework-Ansatz beschreiben wir in unserem Artikel über LLM-Sichtbarkeit.

Wo AI Overviews nicht erscheinen

Nicht jede Suchanfrage löst ein AI Overview aus. Google blendet sie bei bestimmten Themen komplett aus, und 3 Muster solltest du kennen.

Sensible Branchen: Alles, was legal und seriös ist, aber thematisch heikel. Dazu zählen bestimmte Bereiche im E-Commerce, Gesundheitsthemen mit YMYL-Charakter (YMYL = Your Money or Your Life) und rechtlich komplexe Fragestellungen. Wir betreuen einen Online-Shop in einem Randbereich des E-Commerce, bei dem Google für viele Kernkeywords schlicht keine AI Overviews anzeigt.

Extrem nischige Themen: Bei einem Kunden aus der IT-Dienstleistung (Schweiz) haben wir festgestellt: Das AI-Suchvolumen liegt bei sämtlichen Keywords bei null. Das Thema ist zu spezifisch für AI Overviews. Die relevanten KI-Anfragen laufen als natürlichsprachige Fragen direkt an LLMs, nicht über Google.

Transaktionale Suchanfragen: „Laufschuhe kaufen“ löst normalerweise kein AI Overview aus. Google zeigt dort Shopping-Ergebnisse. AI Overviews konzentrieren sich auf informationelle und semi-informationelle Anfragen.

Die Konsequenz: Prüfe zuerst, ob deine Ziel-Keywords überhaupt AI Overviews triggern. Wer dort optimiert, wo Google gar keine KI-Antwort zeigt, verschwendet Budget. Das ist schlicht Ressourcen-Effizienz.

Wir analysieren für Kunden, ob und wo ihre Marke in AI Overviews erscheint und welche der 3 Hebel den größten Effekt haben. SEO-Audit anfragen.

Häufige Fragen zu AI Overviews

Den deutschen GEO-Ratgebern fehlt durchweg eines: eigene Messdaten. Du bekommst sie hier: einen Live-Test vom 09.07.2026 über 12 KI-Kanäle, fünf GEO-Blocker aus echten Kundenaudits und die Zahlen aus zwei gewonnenen SEO-Contests. Ehrlicherweise gehört dazu auch ein unbequemer Befund über diesen Blog selbst.

Was GEO von klassischem SEO unterscheidet

GEO optimiert dafür, dass KI-Systeme deine Inhalte finden, verstehen und zitieren. Klassisches SEO optimiert für Google-Rankings. Der Unterschied liegt im Mechanismus: Ein Ranking ist eine Liste, eine KI-Antwort ist eine Auswahl. Wer auf Position 4 rankt, bekommt noch Klicks. Wer in der KI-Antwort nicht vorkommt, existiert für den Fragenden nicht.

Abb. 1: Die zentralen Unterschiede zwischen klassischem SEO und GEO im Überblick.

Die Kaufabsicht hinter KI-Antworten ist eine andere. Wer ChatGPT fragt „Welche SEO-Agentur in Bremen ist auf E-Commerce spezialisiert?“ und eine konkrete Empfehlung bekommt, hat seine Vorauswahl bereits getroffen. Wir sehen bei Kunden KI-Kanäle mit Conversion-Rates von bis zu 20 %. Das ist ein Erfahrungswert aus unseren Kundenprojekten, keine Branchenstatistik. Aber der Wert zeigt, warum GEO mittlerweile in fast jedem Erstgespräch Thema ist.

Die Branche nutzt 3 weitere Bezeichnungen für dasselbe Konzept: LLMO (Large Language Model Optimization), GAIO (Generative AI Optimization) und AI Search Optimization. Wir nutzen GEO, weil der Begriff das Konzept am klarsten beschreibt. GEO stammt aus der Forschung: Das Paper „GEO: Generative Engine Optimization“ von Aggarwal et al. (2023) hat den Begriff geprägt.

Zwei Schichten: Trainingswissen und Live-Abruf

KI-Systeme beziehen ihr Wissen aus zwei getrennten Schichten. Das parametrische Gedächtnis ist das antrainierte Wissen des LLM (Large Language Model). Es ist eingefroren und Monate bis Jahre alt. Der Live-Abruf (Retrieval) holt aktuelle Webinhalte zum Zeitpunkt der Frage. Beide Schichten brauchen unterschiedliche Optimierung: Trainingsdaten erreichst du über breite, konsistente Präsenz im Web. Den Live-Abruf erreichst du über abrufbare, schnelle Seiten und gute Rankings in den Suchindizes der KI-Systeme.

Die Gewichtung zwischen Trainingswissen und Live-Abruf verschiebt sich messbar Richtung Live-Abruf. Eine Hostinger-Auswertung von 66,7 Milliarden Bot-Requests (Januar 2026) zeigt es deutlich. Der Trainings-Crawler GPTBot fiel von 84 % auf 12 % Abdeckung. OpenAIs Such-Crawler (der OAI-SearchBot) stieg zeitgleich auf 55,7 %. OpenAI investiert also weniger ins Sammeln von Trainingsdaten und mehr in den eigenen Suchindex. Für deine GEO-Strategie heißt das: Die abrufbare Website wird wichtiger als die Frage, ob deine Inhalte im nächsten Modell-Training landen.

Für Online-Shops ist das eine gute Nachricht. Laut Cloudflare Radar entfallen 28 bis 31 % des gesamten KI-Crawler-Traffics auf Retail und E-Commerce. Shops sind für KI-Crawler ein Magnet.

Der Live-Test: Welche Quellen KI-Systeme beim Thema GEO zitieren

Wir haben am 09.07.2026 fünf Fragen rund um Generative Engine Optimization an 12 KI-Kanäle gestellt. Befragt haben wir die APIs von OpenAI, Anthropic, Google, Perplexity und Mistral. Dazu kamen die Live-Oberflächen von ChatGPT, Perplexity, Gemini, Google AI Overviews, Google AI Mode, Bing Copilot und Grok. Ausgewertet haben wir mehr als 340 Zitate. Drei Befunde stechen heraus.

Befund 1: Es gibt keinen gemeinsamen Quellen-Kanon. Jedes System zitiert andere Quellen. ChatGPT zitiert bevorzugt Forschungspapiere, die Google-Systeme zitieren YouTube, Bing Copilot zitiert internationale Tool-Anbieter, Perplexity mischt Ratgeber und Reddit. Die Überlappung zwischen den Systemen liegt nahe null. Wer GEO betreibt, optimiert für mindestens 7 getrennte Ökosysteme gleichzeitig, nicht für „die KI“.

Befund 2: ChatGPT und Claude zitieren die Primärquelle, die deutsche Ratgeber ignorieren. Die meistzitierte Einzelquelle bei ChatGPT und Claude war arxiv.org, darunter das originale GEO-Paper von Aggarwal et al. Kein einziger der deutschen Top-10-Ratgeber zum Thema verlinkt dieses Paper. Die deutschen Ratgeber-Artikel zitieren sich stattdessen gegenseitig, mit identischer Engine-Einteilung und identischen Prozentzahlen ohne Quellenlink. Die drei deutschen Ratgeber, die bei Google für das Thema ganz oben ranken, kamen in unserem Test zusammen auf rund 5 % der Zitate. Ein Top-Ranking bei Google macht eine Website also noch lange nicht zur Hauptquelle der KI-Systeme.

Befund 3: Die Google-Systeme zitieren massiv YouTube. AI Overviews und AI Mode verwiesen 19 Mal auf YouTube-Videos, in beiden Systemen häufiger als auf jede einzelne Textquelle. Über alle 12 Kanäle kamen 25 YouTube-Zitate zusammen. Wer beim Thema GEO nur Blogtexte produziert, überlässt einen kompletten Zitierkanal der Konkurrenz.

Pro-Tipp: Den Zitierquellen-Test kannst du für deine eigene Branche nachbauen. Stell deinen Wunsch-Systemen fünf Fragen, die deine Kunden stellen würden, und notiere die zitierten Quellen. Die Quellenliste ist dein GEO-Backlog. Genau auf den notierten Portalen, Plattformen und Formaten muss deine Marke auftauchen.

Der unbequeme Teil: unsere eigene Bilanz

Und wo tauchte HECHT INS GEFECHT im eigenen Live-Test auf? Unsere Marke stand in keinem einzigen der über 340 Zitate. Das hat einen konkreten Grund: Die ursprüngliche Version dieses Beitrags war zum Testzeitpunkt bei Google deindexiert. Google hatte den Artikel gecrawlt und wieder aussortiert. Die wahrscheinlichste Ursache: Er wiederholte zu viel von dem, was in unseren Nachbar-Beiträgen schon stand. Genau deswegen liest du gerade die komplett umgebaute Version mit eigenen Daten statt Cluster-Wiederholungen. GEO beginnt bei der eigenen Indexierbarkeit, und niemand ist davon ausgenommen. Auch Googles offizieller Leitfaden für generative KI-Features nennt indexierte, crawlbare Inhalte als Grundvoraussetzung. Wie Indexierung und LLM-Sichtbarkeit zusammenhängen, haben wir separat dokumentiert.

GEO ist Local SEO für KI-Systeme

Die These vertrete ich in jedem Kundengespräch: GEO überträgt die bewährte Local-SEO-Mechanik auf KI-Systeme. Im Local SEO gewinnt, wer im Internet konsistent und häufig erwähnt wird. Google Maps und das Local Pack bevorzugen Unternehmen, deren Name, Adresse und Telefonnummer überall identisch sind. KI-Systeme funktionieren nach derselben Logik, nur über deutlich mehr Quellen: Sie ziehen sich Informationen über deine Marke aus Dutzenden Portalen gleichzeitig. Liefern die Quellen widersprüchliche Informationen, wird die Antwort unsicher, und das KI-System empfiehlt eine Marke, die eindeutiger auftritt.

Der entscheidende Unterschied: Im Local SEO reichten die Kontaktdaten. Bei GEO vergleichen die Systeme auch Beschreibungstexte. Und genau hier setzt NAPD an.

NAPD: Das Framework für konsistente Markensignale

NAPD ist die Erweiterung des klassischen NAP-Prinzips (NAP = Name, Address, Phone) um ein viertes Element: die Description. Der konsistente Beschreibungstext deiner Marke ist das Element, das im Local SEO nie im Fokus stand und für GEO entscheidend ist. KI-Systeme lesen Beschreibungstexte über das gesamte Internet und bilden daraus ein Gesamtbild. Wenn dein Text auf der Website „SEO-Agentur“ sagt, auf LinkedIn „Online-Marketing-Agentur“ und bei Gelbe Seiten „Digitalagentur“, sehen KI-Systeme 3 Unternehmen statt einem. Bestenfalls entsteht ein unscharfes Bild, das für eine Empfehlung nicht ausreicht.

Abb. 2: NAPD erweitert das klassische NAP-Prinzip um den konsistenten Beschreibungstext als viertes Element.

Die 4 Elemente von NAPD im Detail

N = Name: Der Markenname muss überall identisch sein. Nicht „HECHT INS GEFECHT“ auf der Website, „Hecht ins Gefecht GbR“ bei Crunchbase und eine Abkürzung auf Social Media. Ein Name, überall gleich.

Wie granular KI-Systeme den Namen lesen, hat uns ein eigener Fall gezeigt. In unseren Texten war lange nur „Hecht“ gefettet, nicht „ins Gefecht“. Die Folge: KI-Systeme behandelten „Hecht“ als den Markennamen und ordneten Fragen wie „Wo arbeitet Benny Windolph?“ unsauber zu. Erst als wir den kompletten Markennamen konsistent ausgezeichnet hatten, kippte die Zuordnung. Selbst Formatierung ist ein Entitätssignal.

A = Address: Die Adresse muss überall identisch formatiert sein. Das klingt banal, aber ich sehe es ständig: einmal „Straße“ ausgeschrieben, einmal „Str.“, einmal die PLZ (Postleitzahl) vor der Stadt, einmal danach.

P = Phone: Eine Telefonnummer pro Geschäftsbereich. Wenn du 2 Bereiche hast, nutze 2 getrennte Nummern. Sonst verschwimmen die Entitäten.

D = Description: Der Beschreibungstext ist das wichtigste NAPD-Element für GEO. Ein einziger, optimierter Text, der auf allen Portalen wortgleich eingepflegt wird. Der Text startet mit dem Markennamen als Satzanfang, steht in der dritten Person, enthält alles, was deine Marke von anderen unterscheidet, und eine hohe Entitätsdichte. Warum der Markenname am Satzanfang die Zuordnung stärkt, erklärt der Beitrag zu Entity SEO im Detail. Unsere Kunden bekommen dafür eine einseitige Anleitung mit 6 Regeln an die Hand. Der Text wird an über 100 Stellen eingepflegt und muss beim ersten Mal sitzen. Wie du die Über-uns-Seite zum Entity-Dokument machst, beschreiben wir separat.

Citations: Branchenbucheinträge als GEO-Fundament

Citations klingen nach 2015. Branchenbucheinträge klingen profan. Aber Citations sind das Fundament von GEO, weil KI-Systeme genau diese Portale als Quellen nutzen. Die Logik ist simpel: Je öfter eine Marke im Internet konsistent erwähnt wird, desto eher empfehlen KI-Systeme diese Marke.

Welche Portale zählen, unterscheidet sich je nach System und Branche. Bei einem E-Commerce-Kunden führten Reddit und Trustpilot die Liste der externen Zitierquellen an, weit vor jedem klassischen Branchenverzeichnis. Bei einem Beratungsinstitut zeigte die Analyse etwas anderes: Die Wettbewerber, die ChatGPT und Gemini empfahlen, betreiben fast alle einen Podcast. Die Podcast-Plattformen verlinkten 7 von 11 Wettbewerbern, den Kunden nicht. Der Citation-Gap war in Wahrheit ein Kanal-Gap. Deswegen lohnt der Blick auf die tatsächlich zitierten Quellen mehr als jede generische Portal-Liste.

Mein Citation-Workflow für GEO

• 50 generische Profile aufbauen: Gelbe Seiten, Yelp, Trustpilot, Crunchbase, ProvenExpert, branchenspezifische Verzeichnisse.
• KI-Systeme direkt befragen: „Welche Portale empfiehlst du für [Branche]?“ Die genannten Plattformen sind genau die, die KI-Systeme als Quellen nutzen.
• Komparative Listen identifizieren: „Die beste SEO-Agentur in Bremen“: Wenn du in 3 solcher Listen auftauchst, nutzen KI-Systeme das als Entscheidungsgrundlage. KI-Systeme verwenden diese Listen agnostisch, weil die Listen sehr nah an dem sind, was der User fragt.
• NAPD überall durchziehen: Derselbe Name, dieselbe Adresse, dieselbe Telefonnummer, derselbe Beschreibungstext. Überall. Ohne Ausnahme.
• Profile indexieren lassen: Neue Profile bei Google und Bing zur Indexierung einreichen, damit KI-Systeme die Profile schneller als Quelle erfassen.

Abb. 3: Der 5-Schritte-Workflow für den Aufbau von GEO-relevanten Citations.

Beim letzten Punkt hilft ein Realitätscheck aus dem SEO-Contest 2026. Wir bauten dort 51 Profile in drei Wochen auf. Trotz bezahltem Indexierungs-Push waren davon nur 31 % bei Google indexiert. Kuratierte Premium-Profile schnitten dabei deutlich besser ab als Masse-Verzeichnisse. Ein angelegtes Profil ist noch keine wirksame Citation.

Citations vs. Backlinks: Ein Paradigmenwechsel bei GEO

Ich sage das in Erstgesprächen offen: Wir bauen keine Backlinks auf. Was den meisten Websites fehlt, sind Citations und Brand Mentions. KI-Systeme erkennen Erwähnungen deiner Marke unabhängig davon, ob ein Link gesetzt wurde. Warum Erwähnungen für LLMs wertvoller sind als Links, haben wir ausführlich analysiert.

Der SEO-Contest 2026 lieferte dafür ein kontrolliertes Experiment: identisches Keyword, identischer Spam-Beschuss, alle 15 geprüften frischen Domains bei Domain Rating 0. Die Ranking-Unterschiede kamen aus On-Page- und Entity-Signalen, nicht aus Linkprofilen. Zwei hochwertige echte Quellen (Crunchbase DR 91, ein Karteneintrag DR 74) genügten, um den Linkvergleich des Felds anzuführen.

Noch deutlicher zeigt es ein Fall aus unseren Audits. Ein kleiner deutscher Nischen-Shop hat Domain Rating 2 und null Top-20-Rankings bei Google. Trotzdem zitierte ChatGPT den Shop in 40 % unserer Testfragen als seriösen Anbieter, mit Begründung. ChatGPT stützte sich auf Vertrauenssignale wie Impressum, Inhaltsangaben und Sortimentstiefe, nicht auf Domain-Autorität. LLM-Sichtbarkeit ist von klassischen SEO-Metriken weitgehend entkoppelt.

Fünf GEO-Blocker aus echten Audits

5 Blocker bremsen Generative Engine Optimization in der Praxis häufiger als jeder Content-Mangel: Firewall-Sperren, JavaScript-Rendering, falsche Datenbank-Quellen, verschwommene Entitätsgrenzen und fehlende Kaufkontext-Inhalte. Alle fünf Fälle stammen aus unseren Kundenaudits der letzten Monate, anonymisiert, aber mit echten Messwerten. Im klassischen SEO-Audit fällt keiner der fünf GEO-Blocker auf.

1. Die Firewall blockt, nicht die robots.txt

Eine große Modemarke: Die robots.txt erlaubt alle KI-Crawler. Die Firewall davor beantwortet Anfragen von GPTBot, OAI-SearchBot, ChatGPT-User, PerplexityBot und ClaudeBot trotzdem mit 403, als Sicherheits-Nebenwirkung, weil den Bots typische Browser-Header fehlen. Die Folge ist messbar. Bis Frühjahr 2026 erfasste der offene Webindex Common Crawl pro Durchlauf hunderte Seiten der Domain. Die zwei jüngsten Durchläufe lieferten null Dokumente. Auch das Internet Archive kommt seit Wochen nur noch auf Fehlerseiten, während es zwölf geprüfte Wettbewerber weiter wöchentlich erfasst. Die Marke fällt gerade unbemerkt aus dem Gedächtnis der KI-Systeme, ohne dass irgendjemand etwas blockiert hätte. Absicht war es nämlich nicht.

2. 28 Wörter im Quelltext

Dieselbe Modemarke, zweiter Blocker: Die Kategorieseiten liefern im Quelltext im Median 28 Wörter. Der vollständige Inhalt mit rund 700 Wörtern entsteht erst, nachdem JavaScript im Browser ausgeführt wurde. KI-Fetcher führen in der Regel kein JavaScript aus, nur Googles eigene KI-Features greifen als Ausnahme auf den gerenderten Google-Index zu. Alle anderen sehen praktisch leere Seiten, unabhängig von jeder Firewall. Server-seitig gerendertes HTML (Hypertext Markup Language) ist die Eintrittskarte für GEO.

3. Das Handelsregister erzählt den falschen Geschäftszweck

Ein Hersteller-Shop aus der DACH-Region (DACH = Deutschland, Österreich, Schweiz): Adresse und Geschäftsführer stimmen in jeder KI-Antwort. Perplexity, OpenAI und Gemini beschreiben das Geschäftsmodell trotzdem falsch, Gemini wörtlich als „Im- und Export, Handel mit Waren aller Art“. Die Quelle ist der generische Gesellschaftszweck aus dem Handelsregister, den Firmendaten-Portale ausspielen und den die KI-Systeme mit den Sortimentsdaten zusammenrühren. In 45 Testfragen zählten wir 92 solcher Falsch-Zuordnungen. Wer seinen Beschreibungstext nur auf der eigenen Website pflegt, überlässt die Beschreibung seines Geschäftsmodells den Datenbank-Portalen.

4. Der Mutterkonzern schluckt die Marke

Ein Hersteller im Konzernverbund: Der Startseiten-Title lautete „[Marke] GmbH by [Mutterkonzern]“. Google Gemini ordnete die Marke daraufhin dem Mutterkonzern zu und erkannte sie nicht als eigenständiges Unternehmen. Auf Produktebene war über die Hälfte der KI-Nennungen fehlattribuiert. Ein einziges Wort im Title-Tag („by“) reichte, um die Entitätsgrenze einzureißen. Das Gegenmittel heißt Trennschärfe: eine disambiguatingDescription im Schema-Markup, ein Beschreibungstext ohne Ambiguität und das aktive Aufräumen von Profilen mit veralteten Angaben.

5. Bekannt, aber nie empfohlen

Ein B2B-Anbieter: Gemini kennt die Marke nachweislich korrekt und beschreibt sie akkurat. Trotzdem empfehlen Gemini und ChatGPT bei kaufnahen Fragen durchgängig dasselbe halbe Dutzend Wettbewerber, die Marke fällt in keiner Antwort. Wissen und Empfehlung sind zwei getrennte Ebenen. Für die Empfehlungsebene fehlten komparative Inhalte und Zitierquellen mit Kaufkontext. In Googles AI Overviews, die näher an den klassischen Rankings hängen, erschien die Marke dagegen bei 6 von 9 kaufnahen Suchanfragen. Auch das bestätigt den Live-Test-Befund: Jedes System hat eigene Auswahlkriterien.

GEO für Online-Shops: Kaufabsicht schlägt Sichtbarkeitsscore

Für Online-Shops ist GEO kein Zukunftsthema, sondern messbarer Umsatz. Bei einem E-Commerce-Kunden ist der Traffic über den ChatGPT-Referral der Kanal mit dem höchsten Umsatz pro Session: 22,48 €, vor Paid Search, SEO und Social. Die Besucher kommen mit einer fertigen Empfehlung im Kopf und müssen nicht mehr überzeugt werden.

KI-Traffic hat außerdem einen Attributionseffekt, den kaum jemand auf dem Schirm hat. Wer von ChatGPT eine Marke empfohlen bekommt, klickt selten auf den Quellenlink. Stattdessen googelt er danach den Markennamen. Der KI-Einfluss taucht in der Webanalyse dann als Brand-Suche oder Direct-Traffic auf. Die gemessenen KI-Klicks sind in der Regel nur die Spitze des Effekts.

Und welches Content-Format zieht Citations an? Bei einem Kunden aus einem beratungsintensiven Dienstleistungs-Vertical haben wir vergleichende Listen-Beiträge im Blog getestet, Format „die zehn besten Anbieter für X“. Der KI-Traffic hat sich innerhalb eines Monats verdoppelt. Das Format ist direkt auf Shops übertragbar. Wir wenden es selbst an, etwa im Ranking der besten GEO-Agenturen in Deutschland. Der Befund deckt sich mit der Logik aus dem Citation-Workflow. KI-Systeme greifen bevorzugt auf komparative Inhalte zu, weil Listen der Frageform der User am nächsten kommen. Welche Formatierung LLMs sonst noch bevorzugen, zeigt der Beitrag zur Content-Formatierung für LLMs.

Und der Nullpunkt ist real. Ein weiterer Shop aus unseren Audits kam bei 15 Testfragen über 11 KI-Kanäle auf null Nennungen. Ein direkter Wettbewerber wurde im selben Fragen-Set 62 Mal genannt. Zwischen „KI-Systeme empfehlen dich“ und „KI-Systeme wissen nicht, dass es dich gibt“ liegt im E-Commerce bereits heute die Konkurrenz.

GEO messen: Vorsicht vor dem KI-Kanal in der Webanalyse

GEO ohne Messung ist Bauchgefühl. Die Basis: KI-Systeme regelmäßig direkt befragen („Was ist [Markenname]?“, „Welche Anbieter empfiehlst du für [Produkt]?“), Brand Mentions pro System tracken und die NAPD-Konsistenz prüfen. Wie wir das LLM-Monitoring im Detail aufsetzen, inklusive Tool-Vergleich, steht im eigenen Beitrag.

Eine Warnung aus der Praxis gehört aber hierher: Trau dem nativen KI-Kanal deiner Webanalyse nicht. Bei einem E-Commerce-Kunden wies der automatische „AI Assistant“-Kanal in GA4 (Google Analytics 4) nur rund ein Achtundzwanzigstel des echten KI-Umsatzes aus. Die saubere Vergleichsbasis lieferte eine Quellen-Analyse über die Session-Quellen chatgpt, openai, perplexity, gemini, copilot und claude. Ein späterer „Anstieg“ im nativen Kanal war reine Umklassifizierung, kein Wachstum. Wer GEO-Erfolg am Standard-Report festmacht, unterschätzt den Kanal um Größenordnungen oder feiert Phantomwachstum.

GEO in der Praxis: zwei SEO-Contests als Testlabor

Beim SEO-Wettbewerb von Agenturtipp 2025 zum Keyword „Keywordkönig“ habe ich das NAPD-Prinzip im Zeitraffer angewendet. Das fiktive Keyword bekam die Behandlung einer echten Marke: ein eindeutiger Name ohne Varianten, konsistente Kontaktdaten über alle Citations, ein präziser Beschreibungstext. Für das Tempo sorgten Semrush Local Listing für die automatisierte Verteilung an Branchenverzeichnisse und ein Fiverr-Dienstleister für manuelle Citations auf Nischen-Portalen. Das klingt nicht glamourös, funktionierte aber erstaunlich gut. KI-Systeme gewichten die Konsistenz und Reichweite von Citations, nicht deren Urheber.

Am Ende standen 199 Erwähnungen in Perplexity und Claude. Das bedeutete Platz 1 im KI-Wettbewerb von RankScale, mit 60 Erwähnungen Abstand zum Zweitplatzierten. Bei Google kam Platz 3 dazu. Die ausführliche Analyse der drei Hebel steckt im Beitrag zur Content-Formatierung für LLMs.

Abb. 4: 199 Brand Mentions in KI-Systemen, Platz 1 im KI-Wettbewerb mit 60 Erwähnungen Vorsprung.

Beim SEO-Contest 2026 folgte mit serponado.org der zweite Beleg: Platz 1 mit einer brandneuen Domain, gestartet bei Domain Rating 0 wie alle 15 geprüften Contest-Domains. Der komplette Entity-Aufbau aus Schema, Definition, Citations und Bewertungen stand in Tagen statt Monaten, fehlendes Domain-Alter und fehlender Knowledge-Graph-Vorsprung fielen damit nicht ins Gewicht. Der Beitrag zur Google Sandbox dokumentiert den Ablauf Tag für Tag.

Was beide Contests gewonnen hat, war kein einzelner Faktor. GEO funktioniert als System: NAPD-Konsistenz über alle Citations, Knowledge-Graph-Signale über Schema-Markup, semantisch optimierter Content und niedrige technische Abrufkosten (Cost of Retrieval).

Woran erkennst du eine gute GEO-Agentur?

Eine gute GEO-Agentur belegt ihre Empfehlungen mit eigenen Messdaten und beherrscht das SEO-Fundament, auf dem GEO aufbaut. 5 Kriterien trennen belastbare Anbieter von Nachahmern: eigene Messdaten, ein dokumentierter NAPD- und Citation-Prozess, ein SEO-Fundament, Messung pro KI-System und realistische Zeiträume.

• Eigene Messdaten: Die Agentur zeigt dir Tests wie den Zitierquellen-Test über 12 KI-Kanäle, mit Datum, Fragen-Set und Quellenliste. Wer nur fremde Studien zitiert, berät nach Hörensagen.
• Dokumentierter NAPD- und Citation-Prozess: Frag konkret nach dem Workflow für Name, Adresse, Telefonnummer und Beschreibungstext. Eine pauschale Portal-Liste ist zu wenig, weil sich die zitierten Quellen je nach Branche und KI-System unterscheiden.
• SEO-Fundament: GEO baut auf Indexierung, Rendering und semantisch klaren Texten auf. Eine GEO-Agentur, die technisches SEO beherrscht, findet Blocker wie Firewall-Sperren, bevor sie Content produziert.
• Messung pro KI-System: Seriöse Anbieter tracken Brand Mentions getrennt nach ChatGPT, Perplexity, Gemini und Copilot. Ein einzelner Sichtbarkeitsscore verdeckt mehr, als er zeigt.
• Realistische Zeiträume: GEO-Maßnahmen wirken in der Regel nach 4 bis 8 Wochen. Versprechen über Wirkung innerhalb weniger Tage sind ein Warnsignal.

HECHT INS GEFECHT ist eine SEO-Agentur aus Bremen und legt bei GEO dieselben Maßstäbe an sich selbst an. Der Zitierquellen-Test vom 09.07.2026 ist unser eigener Kriterien-Check, inklusive des unbequemen Befunds zur eigenen Deindexierung. Der Einstieg in die Zusammenarbeit läuft in der Regel über ein GEO-Audit, das die fünf Blocker aus diesem Beitrag systematisch prüft.

Häufige Fragen zu GEO

Quellen

• Aggarwal, Pranjal et al. (2023): „GEO: Generative Engine Optimization“, arXiv, das Original-Forschungspaper zum Begriff GEO
• Cloudflare: „Cloudflare Radar: AI Insights“, Cloudflare Radar, Verteilung des KI-Crawler-Traffics nach Branchen
• Hostinger (2026): „AI Bot Analysis“, Hostinger Blog, Auswertung von 66,7 Milliarden Bot-Requests zum Shift von Trainings- zu Such-Crawlern
• Google: „Google Business Profile Guidelines“, Google Support, NAP-Konsistenz als Local-SEO-Grundlage
• Google: „Optimizing your website for generative AI features“, Google Search Central, Indexierbarkeit und Crawlbarkeit als Voraussetzung für AI Overviews und AI Mode
• Barnard, Jason: „Brand SERP Optimization“, Kalicube, Entity-Eindeutigkeit und Knowledge Graph
• Windolph, Benny (2024): „Google Local Pack: Tipps und Faktoren für mehr lokale Sichtbarkeit“, Magazin des OMT (Online Marketing Tag), Bewertungen und Local-SEO-Strategie
• Windolph, Benny (2025): „Cost of Retrieval“, AFS Akademie, technische Voraussetzungen für Retrieval

Inhalt

Im April 2025 habe ich für die AFS Akademie einen Gastbeitrag zu Cost of Retrieval veröffentlicht. Seitdem habe ich in über 30 Audits gesehen, wie massiv Cost of Retrieval und das verfügbare Crawl Budget die Sichtbarkeit beeinflussen. Hier gehe ich deutlich tiefer: mit konkreten Zahlen aus echten Projekten und den Erkenntnissen, die ich seitdem gewonnen habe. Und mittlerweile crawlt längst nicht mehr nur Google: KI-Crawler wie GPTBot stellen eigene Anforderungen an deine Website.

Cost of Retrieval: Das Konzept hinter dem Begriff

Cost of Retrieval ist der Rechenaufwand, den Google für das Abrufen und Verarbeiten einer Seite investieren muss. Der Begriff kommt aus dem Information Retrieval, einem Forschungsfeld, das sich mit der gezielten Extraktion von Informationen aus großen Datenmengen beschäftigt. Googlebot ist Googles Web Crawler: ein automatisiertes Programm, das Webseiten systematisch abruft und deren Inhalte für den Suchindex aufbereitet. Für SEO lautet die zentrale Frage letztlich: Lohnt sich der rechnerische Aufwand, Informationen aus einer Website zu extrahieren?

Auf der einen Seite steht die Rechenleistung, die Google investieren muss: Server-Anfragen, Rendering, Speicherung, mehrfache Snapshots. Auf der anderen Seite steht der Informationsgehalt der Seite. Ist der Informationswert höher, crawlt und indexiert Google. Ist der Aufwand höher, passiert nichts.

Das ist keine Theorie. Google speichert von indexierten Seiten Snapshots auf eigenen Servern. Bei einem Onlineshop mit 5.000 Produktseiten à 2 MB kommen schnell 10 GB Speicherbedarf zusammen, nur für eine einzige Domain. Rechnet man das auf Milliarden von Websites hoch, wird ziemlich klar, warum Google extrem selektiv crawlt.

Abb. 1: Kosten-Nutzen-Abwägung, Rechenaufwand vs. Informationswert beim Crawlen

Warum Cost of Retrieval 2026 so relevant ist

Jeden Tag gehen Tausende neue Websites online, viele davon mit KI-generierten Inhalten, die in ähnlicher Form schon existieren. Google filtert mittlerweile immer stärker. Die Schwelle, ab der sich das Crawlen für Google lohnt, steigt seit 2024 kontinuierlich.

Modernes Retrieval läuft mehrstufig ab: lexikalische Kandidaten-Generierung, semantisches Retrieval, Reranking, Synthese. Cost of Retrieval entscheidet, ob eine Seite überhaupt in die erste Stufe gelangt. Wer hier rausfällt, existiert für Google und KI-Systeme nicht. Google bestätigt das indirekt in der offiziellen Crawl-Budget-Dokumentation. Dort heißt es: „Googlebot tries not to crawl too fast to avoid overloading the server.“ Google crawlt weniger, wenn dein Server langsam antwortet. So einfach ist das.

Koray Tuğberk Gübür, Gründer von Holistic SEO Digital, beschreibt Cost of Retrieval in seinem Semantic SEO Framework als einen der drei Grundpfeiler. Die anderen beiden sind Content Quality und Entity Understanding. Cost of Retrieval ist der am häufigsten übersehene Pfeiler, weil er nicht in Keyword-Rankings sichtbar wird. Cost of Retrieval wirkt im Verborgenen und richtet dort den größten Schaden an.

Dazu kommt eine zweite Crawler-Flotte: GPTBot, der Trainings-Crawler von OpenAI, hat sein Abrufvolumen laut Cloudflare binnen eines Jahres um über 300 Prozent gesteigert (Daten bis Mitte 2025). Auch diese Crawler wägen Aufwand gegen Nutzen ab, nur nach härteren Regeln als Google. Was das konkret heißt, steht weiter unten im Kapitel zu den KI-Crawlern.

Die 5 Faktoren, die den Cost of Retrieval bestimmen

Fünf Faktoren bestimmen, wie teuer eine Seite für Google im Abruf ist: Server-Antwortzeit (TTFB), Seitengröße, Rendering-Aufwand, Crawl Budget und technische Roadblocks. Die folgenden Abschnitte zeigen für jeden Faktor konkrete Messwerte aus Kundenprojekten.

Abb. 2: Die 5 Faktoren des Cost of Retrieval

1. Server-Antwortzeit (TTFB)

Time to First Byte (TTFB) misst die Zeitspanne zwischen der Anfrage des Crawlers und dem ersten empfangenen Byte der Server-Antwort. Google empfiehlt TTFB-Werte unter 200 Millisekunden. Realistisch sind 200 bis 400 Millisekunden. Ab 600 Millisekunden steigt der Cost of Retrieval messbar.

Bei einem E-Commerce-Kunden lag die durchschnittliche Server-Reaktionszeit in der Google Search Console bei über 600 Millisekunden, obwohl Cloudflare vorgeschaltet war. Die Crawling-Statistiken zeigten: Der Server reagierte viermal langsamer als empfohlen. Bei einem anderen Kunden erreichten die Kategorieseiten 900 Millisekunden TTFB. Der Grund: 48 Produkte plus Topseller wurden bei jedem Seitenaufruf ungecacht aus der Datenbank geladen. Ohne Cache waren die Kategorieseiten vier- bis achtmal langsamer als mit Cache.

Problematisch wird das, weil Google nicht immer mit warmem Cache crawlt. Der Googlebot erfasst die langsame Version, wenn er eine Kategorieseite ohne Cache trifft, und bewertet den Cost of Retrieval entsprechend hoch.

Ein Shopware-6-Fall aus dem Sommer 2026 zeigt, was ein Cache kostet, der am Crawler vorbeizielt. Der HTTP-Cache der Website war aktiv und funktionierte, nur eben nie für den Googlebot: Shopware liefert Cache-Treffer in dieser Konfiguration nur an Clients mit einem bestimmten Cookie aus. Der Googlebot sendet keine Cookies und traf deswegen bei jedem Abruf einen vollen PHP-Render.

Das Ergebnis in der GSC: durchschnittlich 1.070 Millisekunden Abrufzeit. Mit Cookie antwortete derselbe Server in 160 bis 290 Millisekunden.

Ich habe Martin Splitt, Developer Advocate bei Google, im Oktober 2025 auf Mastodon direkt gefragt, wie man den TTFB noch weiter runterbekommt. Mein Setup: schlankes WordPress auf OpenLiteSpeed, dedizierter Hetzner-Server, an allem gedreht, trotzdem maximal 300 Millisekunden in der Google Search Console (GSC). Seine Antwort: „300ms is ja schon super. Bedenke, dass wir meistens aus den USA crawlen, also könnte ein CDN da helfen, aber ich würd bei so einer niedrigen response time jetzt nicht zu viel drüber nachdenken.“

Das bestätigt letztlich: Unter 300 Millisekunden ist exzellent. Google crawlt überwiegend aus den USA. Die physische Distanz zum Server kann sich deswegen auf den TTFB auswirken. Ein CDN wie Cloudflare kann hier helfen, aber ab 300 Millisekunden ist der Grenznutzen gering. Der Shopware-Fall von oben zeigt, wie groß der Effekt werden kann: Lokal gemessen, also ohne den US-Umweg, aber ebenfalls ohne Cookie und damit am Cache vorbei, antwortete der Server in rund 356 Millisekunden. Die GSC meldete 1.070. Der Weg über den Atlantik hat den Wert verdreifacht.

Empfehlung: TTFB unter 400 Millisekunden halten. Unter 300 Millisekunden ist laut Google exzellent. Wer über 600 Millisekunden liegt, verliert messbar Crawl-Frequenz. Den exakten TTFB-Wert zeigen die Crawling-Statistiken in der Google Search Console unter Einstellungen.

Abb. 3: TTFB-Skala, Server-Antwortzeiten von exzellent bis kritisch

2. Seitengröße und HTML-Komplexität

Google hat im März 2026 erstmals die konkreten Byte-Limits der Crawling-Infrastruktur offengelegt. Googlebot lädt bei einer HTML-Seite maximal die ersten 2 MB, inklusive HTTP Header. Bei PDF-Dateien liegt die Grenze bei 64 MB. Alles oberhalb der 2 MB rendert Google nicht, indexiert es nicht und, klar, für Google ist es schlicht nicht da.

Entscheidend ist, was bei einer Überschreitung passiert: Google weist die Seite nicht zurück, sondern kappt sie exakt bei 2 MB und verarbeitet dieses Fragment, als wäre es die komplette Datei. Liegen strukturierte Daten, das Canonical-Tag oder die Meta Description hinter der 2 MB Marke, fehlen diese Elemente für Google vollständig. Das passiert etwa, wenn davor Megabytes an Inline-CSS, Base64-Bildern oder ein aufgeblähtes Mega-Menü sitzen. Die Reihenfolge im HTML-Quelltext ist deswegen nicht bloß Best Practice, sondern letztlich existenziell. Title, canonical, meta description und structured data gehören so weit nach oben wie möglich.

Ein weiteres Detail aus dem Blogpost: Sub-Ressourcen wie JavaScript- und CSS-Dateien haben jeweils ein eigenes 2 MB Limit. Sie zählen nicht gegen die Größe der übergeordneten HTML-Seite. Ein fettes JS-Bundle mit 3 MB wird also ebenfalls bei 2 MB abgeschnitten, unabhängig davon, wie schlank die HTML-Seite selbst ist. Medien, Fonts und einige exotische Dateitypen werden vom Web Rendering Service gar nicht erst angefordert.

Bei einem Kunden lieferten die Bing Webmaster Tools den Hinweis „HTML zu lang“. Der Quelltext bestätigte den Hinweis: über 12.000 Zeilen HTML, 8.000 Zeilen mehr als bei vergleichbaren Wettbewerber-Websites. Bei solchen Dimensionen riskiert man, dass Google die Seite nicht vollständig erfasst, weil der Content jenseits des 2 MB Cutoffs liegt.

Große Hero-Slider und eingebettete Videos blähen Seiten auf bis zu 15 MB auf. Drei konkrete Maßnahmen: Slider entfernen, Videos extern einbetten, Bilder komprimieren. Und eine vierte: Kritische HTML-Elemente an den Anfang des Quelltexts verschieben: vor Menüs und vor Inline-Ressourcen.

3. Rendering-Aufwand und JavaScript-Abhängigkeit

Zwischen einem statischen Blog und einer JavaScript-lastigen Single Page Application liegt eine enorme Bandbreite im Cost of Retrieval. Google kann JavaScript rendern, aber das Rendering kostet Rechenzeit, und diese Rechenzeit fließt direkt in den Cost of Retrieval.

Bei einem Shopware-Kunden blockierte die robots.txt Teile des Widgets-Subdirectories. Die Folge: Die Startseite konnte beim Rendern nicht vollständig geladen werden. Google speicherte die Startseite ohne den eigentlichen Content: die wichtigste Seite der Domain, inhaltsleer im Index. Solche Probleme entdeckt man nur, wenn man den gerenderten Output in der Google Search Console prüft.

2026 habe ich bei einem großen Fashion-Onlineshop mit Headless-Frontend (das Frontend baut die Seiten per JavaScript aus einer Schnittstelle zusammen) gesehen, was clientseitiges Rendering wirklich kostet. Die Kategorieseiten lieferten serverseitig keine 30 Wörter aus. Erst nach der JavaScript-Ausführung standen rund 700 Wörter im DOM (dem fertig aufgebauten Seiteninhalt im Browser). Im statischen HTML fand sich statt des Produktgrids nur ein Lade-Spinner, und kein einziger Link auf Produktdetailseiten. Der komplette Crawl-Pfad in die Tiefe der Website hing damit an Googles zweitem Rendering-Schritt.

Die Folge stand in der Search Console: über 100.000 Seiten gecrawlt, aber nicht indexiert, überwiegend valide Produkte und Kategorien. Dass dieser zweite Schritt Zeit kostet, ist gemessen: In einer Onely-Auswertung folgte der Googlebot einem per JavaScript erzeugten Link erst nach 52 Stunden, demselben Link im statischen HTML nach 25 Stunden.

Die Lösung ist übrigens selten ein komplettes Server-Side-Rendering. Der Shop hatte gute Gründe für JavaScript: Login-abhängige Preise, Live-Lagerbestand. Der Split macht den Unterschied: statische Inhalte wie Text, Produktliste und Links serverseitig ausliefern, nur Preis- und Bestandsdaten dynamisch nachladen.

Google hat außerdem bestätigt, dass der Web Rendering Service (WRS) komplett zustandslos arbeitet: Local Storage und Session-Daten werden zwischen Requests gelöscht. JavaScript, das auf gespeicherte Session-Daten angewiesen ist, um Content auszugeben, produziert im WRS leere Seiten. Auch hier gilt das 2 MB Limit: Der WRS kann nur den Code ausführen, den der Crawler tatsächlich abgerufen hat. Wird ein JavaScript-Bundle bei 2 MB abgeschnitten, fehlt dem WRS der Rest des Codes.

Ein weiteres Cost-of-Retrieval-Problem bei JavaScript: Content, der auf dem Handy erst nach Klick auf „Mehr erfahren“ nachgeladen wird. Google crawlt Mobile First. Das heißt: Google behandelt den Content als Hidden Content und ignoriert ihn möglicherweise komplett, wenn der Text hinter einem Overlay versteckt ist.

Pro-Tipp: Interne Verlinkung per JavaScript vermeiden. Crawler können JavaScript-Links im Zweifelsfall nicht zuverlässig interpretieren und folgen ihnen möglicherweise nicht. Klassische <a href>-Links sind die sichere Variante.

4. Crawl Budget und Seitenanzahl

Crawl Budget beschreibt die Anzahl der Seiten, die Google auf einer Domain in einem bestimmten Zeitraum crawlt. Je mehr Seiten existieren, desto stärker verteilt Google das Crawl Budget, und desto weniger Aufmerksamkeit erhält jede einzelne Seite. Ein hoher Cost of Retrieval auf vielen Seiten erschöpft das Crawl Budget schneller.

Bei einem Shopware-Kunden zeigte die Google Search Console ein Indexierungsverhältnis von 4:1. Etwa 2.800 URLs waren nicht indexiert, während nur rund 700 URLs im Index standen. Google verschwendete einen Großteil des Crawl Budgets für Seiten, die am Ende nicht indexiert wurden: 404-Fehler, 500er-Fehler, Duplikate.

Abb. 4: Crawl-Budget-Verschwendung, Indexierungsverhältnis 4:1

Derselbe Fashion-Onlineshop aus dem Rendering-Abschnitt zeigt, wie das Muster nach oben skaliert: Im GSC-Domain-Property lag das Verhältnis bei rund 5:1, allein über 340.000 URLs antworteten mit 404. Dazu kamen mehr als ein Dutzend Länder-Shops mit nahezu identischem Sortiment, deren Sitemaps zusammen ein Vielfaches des eigentlichen Sortiments an URLs meldeten. Ohne serverseitiges hreflang (das Signal, welche Sprachversion für welches Land gedacht ist) crawlt Google lauter fast deckungsgleiche Seitenbäume und muss raten.

Noch drastischer war ein internationales Buchungsportal. Dort hängte der Login-Link an jede URL einen Login-Parameter an, auch an URLs, die den Parameter bereits trugen. Jede gecrawlte Variante verlinkte so auf eine noch längere Variante, eine klassische Spider-Trap (eine Linkstruktur, die Crawler in endlose URL-Varianten schickt).

Ein einzelner KI-Trainings-Crawler produzierte dort 94.000 Abrufe auf fast 93.000 einzigartigen URLs, bei nur einigen hundert echten Seiten. 99,3 Prozent des Crawls waren Duplikate. Das Canonical-Tag zeigte korrekt auf die saubere URL und hat den Index gerettet, das Crawl Budget nicht. Die GSC-Crawling-Statistiken desselben Portals zeigen zudem, wie viel Budget in Fehlern verbrennt: Nur 47 Prozent der Googlebot-Anfragen endeten mit Status 200. 19 Prozent liefen in 404-Fehler, 17 Prozent in Weiterleitungen. Dabei stand der Hoststatus auf Grün, der Server hätte mehr verkraftet. Google hätte also mehr crawlen können. Google wollte nur nicht.

Bei einem anderen Kunden haben wir die nicht-indexierten Seiten systematisch bereinigt: von 786 auf 633, dann weiter runter. Parallel stieg die Crawl-Frequenz für die relevanten Seiten. Je weniger Seiten Google regelmäßig crawlen muss, desto weniger Crawl Budget wird für irrelevante URLs verbraucht.

Wie hart diese Regel bei fehlender Autorität greift, habe ich im SEO-Contest 2026 erlebt: Eine Methoden-Unterseite mit stark überlappendem Content zur Homepage-Sektion blieb auf der brandneuen Domain trotz ultraschlanker Technik dauerhaft bei „gecrawlt, nicht indexiert“. Nach 6 Tagen habe ich sie eingestampft, per 301 auf die Startseite konsolidiert und die Sitemap von 4 auf 3 URLs reduziert, damit war das Problem gelöst. Niedriger Cost of Retrieval allein reicht nicht, wenn der Information Gain fehlt. Der Beitrag zur Google Sandbox erzählt den kompletten Contest-Fall.

Faustregel: Jede Seite ohne echten Mehrwert verschwendet Crawl Budget. Konsequent löschen oder per noindex aus dem Index nehmen. Besonders nach einem Website-Relaunch häufen sich 404-Fehler und URL-Duplikate, die das Crawl Budget belasten. Das solltest du direkt im Audit-Prozess mitbereinigen.

5. Technische Roadblocks, die das Crawling verhindern

Neben den Performance-Faktoren existieren technische Fehler, die den Cost of Retrieval unendlich hoch treiben, weil sie das Crawling komplett blockieren:

• 429 Too Many Requests: Bei einem Kunden trat dieser Statuscode auf, als Semrush einen Backlink-Check durchführte. Der Server war überlastet. Google deprioritisiert eine Seite nach einem 429-Fehler und kommt nicht einfach später zurück.
• Fehlerhaft konfigurierte robots.txt: Der Crawler erhält versehentlich keinen Zugriff auf indexierungsrelevante Inhalte.
• Falsche Robots-Meta-Tags: noindex oder nofollow an Stellen, wo keins sein sollte.
• Weiterleitungsschleifen: Der Crawler läuft ins Leere und bricht ab.
• Falsche Canonical-Tags: Google indexiert die falsche URL-Version, oder gar keine.
• 500er-Fehler: Interne Serverprobleme verhindern den Zugriff komplett.
• robots.txt-Wildcards, die ins Leere greifen: Ein Muster wie Disallow: /*?parameter* blockiert nur URLs, bei denen der Parameter direkt hinter dem Fragezeichen steht. Steht er mit &-Verkettung weiter hinten in der URL, greift die Regel nicht. Beim erwähnten Buchungsportal crawlte selbst der regelkonforme Bingbot über 2.800 solcher URLs an der aktiven robots.txt vorbei. Der Fix: zusätzliche Disallow-Regeln für die &-Varianten.
• Relative Pfade ohne führenden Slash: Site-weite Links wie images/logo.png statt /images/logo.png werden unter Sprach- oder Kampagnenpfaden immer neu aufgelöst und erzeugen 404-Wellen. Bei einem Kunden produzierte ein einziges relativ verlinktes Theme-Bild 175 Fehlerabrufe unter 50 Pfadvarianten, 3,6 Prozent des gesamten Googlebot-Traffics.
• Firewalls und Bot-Protection: Web Application Firewalls und Bot-Schutz am CDN blocken Crawler, ohne dass die robots.txt davon etwas weiß. Der Statuscode-Check sieht sauber aus, solange man ihn nicht mit der richtigen Bot-Kennung fährt. Mehr dazu im nächsten Kapitel.

Cost of Retrieval für KI-Crawler: GPTBot, ClaudeBot und Co.

Bis hierhin ging es um Google. Doch neben dem Googlebot crawlt heute eine ganze Reihe weiterer Bots das Web: GPTBot und OAI-SearchBot für OpenAI, ClaudeBot für Anthropic, PerplexityBot, dazu die Trainings-Crawler von Meta und anderen. Für alle gilt dasselbe Kosten-Nutzen-Prinzip, nur ohne Googles Geduld: kein Rendering, kein zweiter Versuch, kein Nachsehen bei langsamen Servern.

KI-Sichtbarkeit entsteht dabei auf drei Abruf-Ebenen. Cloudflare Radar weist den KI-Bot-Traffic laufend nach Zweck aus: rund 80 Prozent der Abrufe dienen dem Modell-Training, 18 Prozent füttern Suchindizes, nur 2 Prozent sind Live-Abrufe während einer konkreten Nutzerfrage. Jede Ebene nutzt eigene Crawler mit eigenen Hürden. Und die Suchindizes dahinter sind selten Google: ChatGPT stützt sich auf Bing und einen eigenen Index, Claude auf Brave.

KI-Crawler rendern kein JavaScript

Der wichtigste Unterschied zu Google: Keiner der großen KI-Crawler von OpenAI, Anthropic oder Perplexity führt JavaScript aus. Vercel und MERJ haben den KI-Crawler-Traffic im Vercel-Netzwerk ausgewertet, fast eine Milliarde Abrufe pro Monat. GPTBot, ClaudeBot und PerplexityBot laden JavaScript-Dateien zwar herunter, führen sie aber nicht aus. Was erst nach dem Rendering im DOM steht, existiert für KI-Systeme nicht.

Der Fashion-Onlineshop von oben, mit weniger als 30 Wörtern im statischen HTML, ist für Google deswegen ein Rendering-Kostenproblem. Für ChatGPT und Perplexity ist er schlicht eine leere Seite.

Der Live-Abruf kennt keinen zweiten Versuch

Auf der dritten Ebene, dem Live-Abruf, wird aus dem TTFB-Faktor eine harte Schwelle. Serverlogs zeigen, dass der ChatGPT-Fetcher Abrufe schon ab etwa 500 bis 800 Millisekunden Antwortzeit abbricht, im nginx-Log sichtbar als Status 499. Der Googlebot kommt bei langsamer Antwort später wieder. Der Live-Abruf hat diese Geduld nicht: Die KI-Antwort wird dann ohne deine Website geschrieben.

Wie kaputt diese Abruf-Kette im Extremfall sein kann, habe ich beim ChatGPT-Crawler-Bug dokumentiert: Ein HTTP/2-Protokollfehler machte ganze Server für OpenAI unsichtbar, sämtliche 634 Abrufe unserer eigenen Domain liefen in 404-Fehler. Der Cost of Retrieval war damit faktisch unendlich, und niemand hat es gemerkt.

Die Firewall als unsichtbarer Roadblock

Den Extremfall auf der Gegenseite habe ich 2026 bei demselben Fashion-Onlineshop analysiert. Dessen Web Application Firewall (eine Schutzschicht vor dem Webserver, die Anfragen filtert) beantwortete die Anfragen sämtlicher KI-Crawler mit dem Statuscode 403, obwohl die robots.txt kein einziges Disallow enthielt. Wer nur die Crawl-Steuerung prüft, findet nichts. Der Block sitzt eine Ebene tiefer und filtert zweistufig: bekannte Bot-Kennungen direkt an der Firewall, und wer wie ein Browser aussieht, aber kein JavaScript ausführt, bekommt eine JavaScript-Challenge statt der Seite.

Datieren ließ sich die Sperre ohne jeden Zugriff auf Server-Logs. Die Wayback Machine hatte den Shop 2025 noch fast durchgehend erfasst, seit dem Frühjahr 2026 kommt nur noch 403 zurück. Der Common Crawl (das öffentliche Webarchiv, aus dem viele KI-Trainingsdaten stammen) lieferte ab demselben Zeitraum kein einziges Dokument der Domain mehr. Zwei unabhängige öffentliche Archive datieren den Block auf dasselbe Zeitfenster.

Messbar ist auch das Ergebnis: Die technisch saubere, serverseitig gerenderte Corporate-Website des Unternehmens wurde doppelt so oft als Quelle in KI-Antworten zitiert wie der eigentliche Shop. Dabei war die Sperre eine nachvollziehbare Entscheidung, sie kam nach echter Bot-Überlastung. Die sauberere Lösung: gewünschte KI-Crawler gezielt über User-Agent plus die offiziellen IP-Bereiche der Anbieter durchlassen, statt pauschal alles zu blocken.

robots.txt und llms.txt steuern weniger, als du denkst

Die robots.txt wirkt bei KI-Systemen nur einseitig. Die regelkonformen Index- und Trainings-Crawler wie GPTBot respektieren sie. Ausgerechnet die Live-Fetcher tun es teils ganz offiziell nicht: OpenAI hat den ChatGPT-User Ende 2025 aus der eigenen robots.txt-Compliance-Liste gestrichen, Metas Fetcher darf sie laut eigener Dokumentation umgehen. Und beim Buchungsportal von oben crawlte ein KI-Trainings-Crawler über 84.000 per Wildcard-Disallow gesperrte URLs einfach trotzdem. Wer Crawl Budget gegen KI-Bots verteidigen muss, braucht deswegen Rate-Limits am Server oder an der Edge (den CDN-Servern vor dem eigenen Server).

Und die llms.txt? Die Idee dahinter: eine kuratierte Inhaltsliste für KI-Systeme im Root der Website. Ehrlicherweise ist die Datei Stand heute wirkungslos. Kein großer Anbieter liest sie produktiv aus, Google hat sich explizit dagegen ausgesprochen, und in Serverlogs taucht sie praktisch nicht auf. Schaden richtet sie keinen an, einen messbaren Effekt hat sie aber auch nicht.

Cost of Retrieval optimieren: Server, Datenbank, Seitenstruktur

Cost of Retrieval lässt sich auf 3 Ebenen senken: am Server, an der Datenbank und an der Seitenstruktur. Die größten Gewinne liegen erfahrungsgemäß beim Hosting, denn dort entsteht der TTFB.

Abb. 5: 3 Ebenen der Cost-of-Retrieval-Optimierung

Server und Hosting optimieren

Shared Hosting reicht für Business-Websites und Webshops in der Regel nicht aus. Wenn eine Website auf dem geteilten Server langsam antwortet, bremst das den Cost of Retrieval aller Websites auf demselben Server. Ein eigener Server (physisch oder Cloud) bietet mehr Performance und ermöglicht gezielte Optimierungen.

3 konkrete Maßnahmen für niedrigeren Cost of Retrieval auf Server-Ebene:

• Schneller Webserver: OpenLiteSpeed statt Apache einsetzen. OpenLiteSpeed verarbeitet bis zu 60.000 Anfragen pro Sekunde.
• IPv6 und HTTP/3 aktivieren: Moderneres Routing, geringere Latenz, schnellere Antwortzeiten.
• DNS optimieren: Cloudflare bietet einen der schnellsten DNS-Dienste, kostenlos. Eine schnelle DNS-Auflösung verbessert direkt den TTFB.

Datenbank schlank halten

Bei CMS und Shopsystemen, die auf relationalen Datenbanken basieren: Datenbank regelmäßig optimieren. Eine aufgeblähte Datenbank ohne Indexierung und Caching verlängert die Zugriffszeiten bei jedem einzelnen Seitenaufruf und erhöht damit den TTFB und den Cost of Retrieval. Bei WordPress erledigen Plugins wie WP-Optimize die Bereinigung automatisiert.

Seitenstruktur statisch aufbauen

Seiten am besten so statisch wie möglich bauen. Komplexe Effekte, die per JavaScript statt per CSS laufen, treiben den Cost of Retrieval beim Rendering hoch. Die Faustregel ist klar: Wenn die Seite auch ohne JavaScript funktioniert, kann Google sie effizient crawlen.

Cost of Retrieval messen: Tools und Methoden

Fünf kostenlose Wege zeigen den Cost of Retrieval: Die Google Search Console, die Bing Webmaster Tools, der site:-Befehl, Crawling-Tools und der Quelltext-Check.

Google Search Console: Unter Einstellungen zeigen die Crawling-Statistiken die durchschnittliche Server-Reaktionszeit und die Crawl-Frequenz. Schaut der Googlebot nur selten vorbei, spricht das eher für einen hohen Cost of Retrieval.

Vorsicht übrigens mit Server-Logs hinter einem CDN: Dienste wie Cloudflare beantworten einen Großteil der Googlebot-Anfragen direkt an der Edge, das eigene Server-Log sieht diese Abrufe nie. Beim Buchungsportal von oben zählte das Server-Log rund 470 Googlebot-Abrufe pro Tag, die GSC-Crawling-Statistiken meldeten 4.700. Hinter einem CDN taugt fürs Googlebot-Volumen nur die GSC. Und wer Logs auswertet, sollte die IP-Adressen verifizieren: Bei einem Shopware-Kunden bestanden 27 Prozent aller Anfragen mit Googlebot-Kennung den IP-Check nicht, dahinter steckten SEO-Tools und Spoofer.

Bing Webmaster Tools: Wird oft unterschätzt. Die Bing Webmaster Tools geben Hinweise wie „HTML zu lang“ aus, die Google nicht explizit meldet.

site:-Befehl: site:domain.org in der Google-Suche listet alle indexierten Seiten. Passt die Zahl der indexierten Seiten zur erwarteten Seitenanzahl? Tauchen ungewollte Dateien wie PDFs im Index auf?

Crawling-Tools: Screaming Frog, Ahrefs oder Semrush für einen vollständigen Crawl. Screaming Frog crawlt kostenlos bis zu 500 URLs. Wie du URLs danach gezielt zur Indexierung in Suchmaschinen und LLMs einreichst, zeigt der Artikel zur Indexierung und LLM-Sichtbarkeit.

Quelltext-Check: Ein direkter Blick in den HTML-Code lohnt sich ehrlicherweise immer. Falsch gesetzte Robots-Meta-Tags oder fehlerhafte Canonical-Tags sieht man im Quelltext sofort.

Cost of Retrieval in der Praxis: Keywordkönig-Wettbewerb

Beim SEO-Wettbewerb von Agenturtipp 2025 zum Keyword „Keywordkönig“ war Cost of Retrieval einer der drei Hebel. Mit ihnen haben wir Platz 3 bei Google und den ersten Platz beim KI-Wettbewerb von RankScale erreicht.

Cost of Retrieval war der erste Hebel: eine technisch schnelle, leicht abrufbare Website. Kein aufgeblähtes CMS, schlankes HTML, schneller Server, minimales JavaScript. Google konnte die Seite effizient crawlen und indexieren. Im Wettbewerb hat Geschwindigkeit buchstäblich den Unterschied gemacht.

Information Gain bezeichnet den messbaren Mehrwert, den ein Text gegenüber bereits indexierten Inhalten zum selben Thema liefert. Je höher der Information Gain, desto geringer der Cost of Retrieval für Google. Die anderen beiden Hebel, Information Gain durch semantisch optimierten Content und Brand SEO, konnten nur wirken, weil die technische Basis stimmte. Cost of Retrieval ist die Voraussetzung für Sichtbarkeit, nicht das Sahnehäubchen.

Wer wissen will, wie hoch der Cost of Retrieval der eigenen Domain tatsächlich ist: Im SEO-Audit analysieren wir das systematisch. Du bekommst konkrete Zahlen aus der Google Search Console, die Crawling-Statistiken und einen priorisierten Maßnahmenplan.

Die Grenze: Wenn niedriger Cost of Retrieval nicht reicht

So zentral der Faktor ist, eine ehrliche Einordnung gehört dazu: Niedriger Cost of Retrieval ist die Eintrittskarte, kein Ranking-Garant. Das deutlichste Beispiel aus meiner Praxis ist ein Blog mit über 1.000 veröffentlichten Beiträgen. Der Googlebot kam regelmäßig bis täglich vorbei, die Technik war unauffällig. Trotzdem ergab eine Stichprobe über 25 gleichverteilte URLs: kein einziger Beitrag im Index, fast alle gecrawlt, aber nicht indexiert. Google hat die Seiten abgerufen, bewertet und wieder draußen gelassen.

Das ist beweisbar kein Crawling-Problem, das ist ein Werturteil. Die Methoden-Unterseite aus dem SEO-Contest 2026 weiter oben erzählt dieselbe Geschichte von der anderen Seite: ultraschlanke Technik, minimaler Cost of Retrieval, trotzdem dauerhaft nicht indexiert, weil der Inhalt mit der Startseite überlappte. Zwei Fälle mit demselben Muster. Wenn Seiten trotz regelmäßigem Crawling nicht in den Index kommen, fehlt der Information Gain: Die Seiten liefern nichts, was der Index nicht längst hat.

Deswegen gehört zu jeder Cost-of-Retrieval-Optimierung die unbequeme Frage, ob all diese Seiten existieren müssen. Bei dem Blog wäre der wirksamste Hebel die Konsolidierung: aus über 1.000 Beiträgen deutlich weniger, dafür dichte Seiten machen. Das senkt den Crawl-Aufwand und hebt den Informationswert, also beide Seiten der Gleichung gleichzeitig. Technik-Fixes allein lösen „gecrawlt, aber nicht indexiert“ nicht.

Häufige Fragen zu Cost of Retrieval

Quellen

• Illyes, Gary (2026): „Inside Googlebot: demystifying crawling, fetching, and the bytes we process“, Google Search Central Blog. Offizielle Byte-Limits: 2 MB HTML, 64 MB PDF, WRS-Statelessness, Partial Fetching
• Windolph, Benny (2025): „Cost of Retrieval: Warum Google manche Seiten nicht crawlt oder indexiert“, AFS Akademie
• Gübür, Koray Tugberk: „Semantic SEO“, Holistic SEO Digital. Cost of Retrieval als Grundpfeiler
• Splitt, Martin (2025): Mastodon-Konversation zu TTFB und Googlebot-Crawling aus den USA, Google Developer Advocate
• Google: „Managing your crawl budget for large sites“, Google Search Central
• Google: „How Google Search works“, Google Search Central. Crawling, Indexing, Serving Pipeline
• Screaming Frog: „SEO Spider“. Crawl-Analyse-Methodik
• Vercel und MERJ (2024): „The Rise of the AI Crawler“, Vercel. Auswertung von knapp einer Milliarde KI-Crawler-Abrufen pro Monat: KI-Crawler führen kein JavaScript aus
• Cloudflare (2025): „From Googlebot to GPTBot: Who’s Crawling Your Site“, Cloudflare. Wachstum und Marktanteile der KI-Crawler; laufende Zweck-Aufteilung unter Cloudflare Radar AI Insights

Ich will kein Buzzword-Bingo spielen. Semantisches SEO klingt erstmal nach Agentur-Deutsch für „Keywords reichen nicht mehr“. Stimmt auch. Aber es steckt mehr dahinter als die meisten Leitfäden erklären. Semantisches SEO bestimmt, wie Google und KI-Systeme wie ChatGPT, Perplexity oder Google AI Overviews (AI = Artificial Intelligence) Texte wirklich lesen. Und warum sie manche Seiten zitieren und andere komplett ignorieren.

Semantisches SEO definiert: Was Suchmaschinen heute verstehen

Google versteht nicht mehr nur einzelne Wörter, sondern Zusammenhänge zwischen Themen, Entitäten und Konzepten. Das Keyword „Augenlasern“ ist für Google nicht mehr ein String aus 11 Buchstaben. Google weiß, dass Augenlasern ein medizinischer Eingriff ist und Femto-LASIK eine Variante davon. Google weiß auch, dass Risiken und Kosten existieren und dass die Person hinter der Suche eigentlich ohne Brille sehen will. Nicht 3.000 Euro ausgeben.

Genau hier liegt der Kern von Semantischem SEO. Google denkt in Entitäten (Objekte, Personen, Konzepte) und deren Beziehungen zueinander, gespeichert im Google Knowledge Graph. Wer das versteht, schreibt andere Texte. Bessere Texte. Texte, die ranken und von KI-Systemen zitiert werden.

Semantisches SEO (SEO = Search Engine Optimization) ist damit ein Teilgebiet der semantischen Suche (der Fähigkeit von Suchmaschinen, Bedeutung statt nur Buchstabenfolgen zu verarbeiten).

Wer tiefer in die Theorie einsteigen will: Koray Tuğberk Gübür, Gründer von Holistic SEO Digital, hat auf Holistic SEO das Thema umfassend aufbereitet. Vieles von dem, was ich hier zusammenfasse, basiert auf seinen Arbeiten zur semantischen Suche.

Semantisches SEO wird durch KI-Retrieval zum Pflichtprogramm

Andrea Volpini (CEO von WordLift) hat Anfang März 2026 einen Artikel veröffentlicht, der das Thema auf den Punkt bringt. Der Titel: „Why AI Cites Some Pages and Ignores Others“. Die Kernaussage: Zitierung beginnt mit Retrieval. Wenn dein Content nicht im Kandidaten-Pool landet, kann er nicht zitiert werden. Von niemandem. Weder von Google noch von ChatGPT.

Modernes Retrieval läuft in 4 Stufen:

1. Lexikalische Kandidaten-Generierung: Klassisches Indexing, Keyword-Matching
2. Semantisches Retrieval: Embedding-Modelle finden inhaltlich passende Texte
3. Reranking: Präzisere Modelle bewerten die Kandidaten
4. Synthese + Zitierung: Das KI-System liest die besten Passagen und entscheidet, was es zitiert

Der Engpass liegt in Stufe 1 und 2. Dein Text muss überhaupt erstmal als relevant erkannt werden. Und genau hier hat sich in den letzten 12 Monaten einiges verschoben, durch 3 technische Entwicklungen, die Semantisches SEO direkt betreffen.

3 Retrieval-Shifts, die Semantisches SEO verändern

OpenAIs Matryoshka-Effekt: OpenAIs Embedding-Modelle packen die wichtigste Bedeutung eines Textes in die ersten Dimensionen des Vektors. Bei der schnellen Suche über Milliarden von Seiten kürzen Retrieval-Systeme diese Vektoren. Was hinten steht, fällt raus. Die invertierte Pyramide (also das Wichtigste zuerst) ist damit nicht mehr nur journalistische Konvention. Sie ist durch die Architektur moderner Embedding-Modelle gestützt. Wer die Kernaussage im dritten Absatz versteckt, verliert bei Semantischem SEO.

Googles asymmetrischer Vektorraum: Google behandelt Suchanfragen und Dokumente unterschiedlich. Eine Suchanfrage wird als Frage-Vektor eingebettet, ein Dokument als Antwort-Vektor. Die Falle: Wenn dein Text die Suchanfrage nur wiederholt („Was ist Femto-LASIK? Femto-LASIK ist in der modernen Welt immer wichtiger…“), verhält sich der Text mathematisch wie eine Frage, nicht wie eine Antwort. Die Folge: Er wird schlechter gefunden. Dein Text muss die Antwort sein, nicht die Frage spiegeln.

Perplexitys Late Chunking: Perplexity injiziert den Kontext des gesamten Dokuments in jeden einzelnen Absatz. Klingt technisch. Ist es auch. Aber die Konsequenz für Semantisches SEO ist ziemlich simpel: Wenn deine Seite thematisch in alle Richtungen streut, verwässert das jeden einzelnen Absatz. Eine Seite über Augenlasern, die plötzlich über Urlaubsplanung redet, wird als Ganzes schwächer, weil der Kontextvektor verwässert wird. Würde ich vermeiden.

7 Prinzipien für semantisch starke Texte

Hier die konkreten Prinzipien, die ich bei HECHT INS GEFECHT in der Praxis anwende. Semantisches SEO ist Handwerk, und die folgenden 7 Regeln decken den Kern ab.

Kernaussage zuerst platzieren, in jedem Abschnitt

Der erste Absatz entscheidet. Google und KI-Systeme gewichten den Anfang überproportional. ChatGPT tendiert dazu, häufiger aus dem oberen Drittel einer Seite zu zitieren. Das hat Kevin Indig (Growth-Advisor, Autor des Growth Memo) in seinen Analysen empirisch belegt.

Falsch:

„In diesem Artikel erklären wir, was Femto-LASIK ist und warum es wichtig ist.“

Richtig:

„Femto-LASIK ist ein lasergestütztes Verfahren zur Korrektur von Fehlsichtigkeit. Die Behandlung dauert 15 Minuten pro Auge.“

Satz 1 liefert die Antwort. Satz 2 ergänzt ein konkretes Detail, in dem Fall die Dauer. Kein Warm-up. Das ist das Fundament von Semantischem SEO.

Beim SEO-Contest 2026 hat sich das Prinzip erneut bewährt: Der erste Satz unter der H1 definierte das Keyword apodiktisch und ohne Konjunktiv, ChatGPT zitierte die Definition wortgetreu. Dazu gehörte auch die kontraintuitive Title-Entscheidung, den Homepage-Title auf das nackte Keyword zu kürzen: Die Kongruenz aus Title, H1, Domain und Schema-Name schlägt Termverwässerung, die Definition steckt ohnehin in Description, Schema und Content.

Jeden Abschnitt als eigenständigen Chunk schreiben

Google greift einzelne Absätze heraus und zeigt sie in Featured Snippets. KI-Systeme extrahieren einzelne Passagen für ihre Antworten. Deswegen: Jeder Absatz deines Textes muss auch ohne den Rest der Seite verständlich sein.

Semantisches SEO verlangt konkret 3 Dinge pro Abschnitt:

• Keine Verweise wie „wie oben beschrieben“ oder „dieser Prozess“
• Die Überschrift verrät allein, worum es geht („Heilungsdauer nach Femto-LASIK“ statt „Dauer“)
• Das Hauptthema wird in jedem neuen Abschnitt namentlich wiederholt

Wer sich jemals gefragt hat, warum manche Texte in den Featured Snippets landen und andere nicht: Chunk-Vollständigkeit ist einer der 3 Hauptgründe.

Antworten liefern statt Fragen spiegeln

Ein Muster macht mich in SEO-Texten regelmäßig wahnsinnig: Die Überschrift wiederholt wörtlich die Suchanfrage, der erste Satz paraphrasiert sie nochmal. 3 Sätze weiter kommt dann vielleicht die Antwort.

Google und KI-Systeme unterscheiden zwischen Frage-Vektoren und Antwort-Vektoren. Text, der nur die Suchanfrage spiegelt, wird mathematisch wie eine Frage behandelt und schlechter gefunden.

• Schwach als Überschrift: „Was ist GS1 Digital Link?“
• Stark als Überschrift: „GS1 Digital Link verbindet Produkte mit digitalen Daten“

Die Antwort selbst darf gern die Formulierung der Frage aufgreifen. Das schafft Klarheit. Aber die Überschrift und der Einstieg müssen die Antwort liefern, nicht die Frage wiederholen.

Verifiable Facts statt vager Aussagen einsetzen

KI-Systeme zitieren bevorzugt Textstellen mit verifizierbaren Daten. Der Grund: Konkrete Fakten reduzieren das Halluzinationsrisiko der Modelle. Zahlen, Jahreszahlen, benannte Standards und Quellenangaben sind das, was LLMs am liebsten zitieren.

• Vage: „Es gibt verschiedene Methoden zur Augenkorrektur.“
• Konkret: „3 Methoden stehen zur Wahl: Femto-LASIK, PRK und SMILE.“
• Vage: „Die Kosten sind gestiegen.“
• Konkret: „Laut Verband der Augenärzte (2024) sind die Kosten für Femto-LASIK in den letzten 3 Jahren um 12 % gestiegen.“

Semantisches SEO belohnt Konkretheit. Immer wenn ein Plural auftaucht, direkt konkretisieren. „Deutschland hat mehrere große Städte“ → „Deutschland hat 4 Städte mit über 1 Million Einwohnern: Berlin, Hamburg, München, Köln.“

Spezifische Verben statt „machen“ und „haben“ verwenden

Semantische Suche basiert auf Verben: was Menschen tun, nicht nur was sie suchen. „Der Arzt macht die Behandlung“ erzeugt ein schwaches semantisches Signal. „Der Ophthalmologe trägt die Hornhaut mit einem Femtosekundenlaser ab“ erzeugt ein präzises.

Bei semantischem SEO solltest du 4 Verben möglichst oft ersetzen: machen, haben, sein, geben. Koray Tugberk Gübür hat in seiner Arbeit zur Verb-basierten Semantik sehr genau erklärt, warum Verben für Suchmaschinen die wichtigsten semantischen Signale liefern. Je spezifischer das Verb, desto schärfer der Kontext.

Das Hauptthema als roten Faden durchziehen

Semantisches SEO stärkt dein Hauptthema dann, wenn es nicht isoliert steht. Ein Text über „Kaffee“, der das Wort nur oft wiederholt, bleibt eher schwach. Ein Text über „Kaffee“, der sinnvoll auf Röstverfahren, Arabica-Bohnen und Barista-Ausbildung verlinkt, spannt ein semantisches Netz auf und erhöht den Salience Score. Der Salience Score ist die Relevanzgewichtung durch Google.

Daraus ergibt sich eine Faustregel, die in unseren Audits immer wieder Wirkung zeigt: Eine Seite, ein Thema. Wir arbeiten mit einem 70/30-Verhältnis: 70 % der Seite drehen sich ums Hauptthema, 30 % decken verwandte Aspekte ab. Alles, was darüber liegt, verwässert den Text. Durch Late Chunking trifft die Verwässerung am Ende nicht bloß die einzelne Passage, sondern die komplette Seite.

Jason Barnard (CEO von Kalicube, Brand-SERP-Experte) bezeichnet den Ansatz als Entity-basierte SEO. Im Kern heißt das: Jede Seite braucht eine klare Hauptentität, die Google sauber zuordnen kann. Je eindeutiger die Hauptentität, desto sicherer fällt das Verständnis aus und desto stabiler fließt die Seite in Ranking- und Retrieval-Entscheidungen ein.

Das Thema taxonomisch einordnen

Semantisches SEO profitiert klar von der taxonomischen Einordnung deines Hauptthemas. „Femto-LASIK ist ein refraktiver Eingriff“. Damit weiß Google sofort, in welche Kategorie das Thema gehört. „Refraktive Eingriffe umfassen Femto-LASIK, PRK und SMILE“. Damit kennt Google die Geschwister-Entitäten.

Wer sein Thema nur als isolierten Begriff behandelt, verschenkt Kontext. Durch die Einordnung in Ober- und Unterbegriffe (Hyperonymie und Hyponymie) wird dein Text zum Wissensnetz, nicht zur Keyword-Wiederholung.

Themenrelevanz bezeichnet den Grad, zu dem ein Text das semantische Feld seines Kernthemas tatsächlich abdeckt, jenseits der reinen Keyword-Dichte.

5 Zitiermuster, die KI-Systeme bevorzugen

Google-Rankings und KI-Zitierungen sind nicht dasselbe. Der Unterschied ist der Kern von GEO (Generative Engine Optimization), der Optimierung für KI-gestützte Suchsysteme. Wenn du willst, dass ChatGPT, Perplexity oder Google AI Overviews deinen Text zitieren, dann müssen deine Kernaussagen einem dieser 5 Muster folgen:

1. Definition: „Femto-LASIK ist ein lasergestütztes Verfahren zur Korrektur von Fehlsichtigkeit.“
2. Vergleich: „Femto-LASIK vs. PRK: Femto-LASIK hat eine kürzere Heilungszeit (1-2 Tage vs. 3-5 Tage).“
3. Liste: „Augenlasern hat 3 Kontraindikationen: Keratokonus, zu dünne Hornhaut, instabile Sehstärke.“
4. Schritt-für-Schritt: „Schritt 1: Voruntersuchung. Schritt 2: Hornhaut-Mapping. Schritt 3: Laser-Behandlung.“
5. Quantifizierung: „Eine Femto-LASIK-Behandlung dauert 15 Minuten pro Auge.“

Was KI-Systeme nicht zitieren: Meinungen ohne Beleg, vage Aussagen, rhetorische Fragen und Übergangssätze ohne Informationswert.

Pro-Tipp: Geh deine Kernaussagen durch und prüfe, ob sie einem der 5 Muster folgen. Mindestens 30 % deiner Kernaussagen sollten in einem Zitiermuster stehen, damit dein Text für KI-Systeme zitierfähig wird.

E-E-A-T: Vertrauenssignale für Semantisches SEO

Google und KI-Systeme bewerten, ob ein Text von jemandem stammt, der weiß, wovon er spricht. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) liefert dafür 4 Signale:

• Experience: Zeige praktische Erfahrung. „In unserer Arbeit mit über 50 E-Commerce-Kunden sehen wir: Die Wahl des SEO-Partners entscheidet über den Erfolg.“
• Expertise: Nutze Fachbegriffe korrekt und geh in die Tiefe. Nicht „Das Lasern ist schnell“, sondern „Die eigentliche Femto-LASIK-Behandlung dauert 15 Minuten pro Auge.“
• Authority: Benenne den Autor und seine Qualifikation. Verlinke Autorenprofile und relevante Veröffentlichungen.
• Trust: Nenne Quellen, Daten und Zeitpunkte. Wer keine Quelle angibt, wird weniger zitiert, sowohl von Google als auch von KI-Systemen.

Semantisches SEO im E-Commerce: Wo der größte Hebel liegt

Der größte Hebel für Semantisches SEO liegt im E-Commerce. Dort sehe ich das Muster täglich: Kategorieseiten mit Textwüsten, die kein Mensch liest und die auch für Google keinen Mehrwert bieten. Produktbeschreibungen, die vom Hersteller kopiert sind. Null semantische Tiefe, null Entitätsverständnis.

Wer seine Kategorieseiten nach den Prinzipien von Semantischem SEO aufbaut, wird nicht nur besser ranken, sondern auch in KI-Antworten auftauchen. Die Prinzipien dafür: Klare Entitäten, taxonomische Einordnung, konkrete Fakten, strukturierte Daten.

Strukturierte Daten spielen dabei eine zentrale Rolle. Wer noch nicht mit Schema.org und strukturierten Daten arbeitet, verschenkt eine der wichtigsten Brücken zwischen Content und Maschine.

Semantisches SEO in der Praxis: Case Study Keywordkönig

Theorie ist das eine. Deswegen ein konkretes Beispiel aus unserer Arbeit.

Beim SEO-Wettbewerb von Agenturtipp 2025 zum Keyword „Keywordkönig“ haben wir Platz 3 erreicht. Den parallel laufenden KI-Wettbewerb von RankScale haben wir als erstes Team gewonnen. Die Strategie basierte komplett auf den 7 semantischen SEO-Prinzipien aus diesem Artikel.

2026 folgte mit derselben Methode der Gesamtsieg: serponado.org gewann den SEO-Contest 2026 von Seobility und Agenturtipp auf Platz 1, eine brandneue Domain, gestartet bei Domain Rating 0 wie alle 15 geprüften Contest-Domains. Die Ranking-Differenz kam aus On-Page- und Entity-Signalen, nicht aus Links, der komplette Entity-Aufbau stand in Tagen statt Monaten. Wie, zeigt der Beitrag zur Google Sandbox.

3 Hebel, die den Unterschied gemacht haben:

1. Cost of Retrieval minimiert: Eine technisch schnelle, leicht abrufbare Website. Denn bevor Google oder ein KI-System deinen Content bewerten kann, muss es ihn effizient abrufen können. Langsame Seiten mit hohem Rendering-Aufwand fallen schon in der ersten Retrieval-Stufe raus.
2. Information Gain durch semantisch optimierten Content: Der Content wurde mit KI generiert, aber nicht einfach rausgehauen. Jeder Text durchlief unsere semantischen SEO-Regeln, die ich aus Koray Tugberk Gübürs Semantic-SEO-Kurs extrahiert und systematisiert hatte. Konkrete Fakten, starke Verben, taxonomische Einordnung, chunk-fähige Absätze. Der Effekt: Content, der für Google messbar mehr Information Gain lieferte als die Konkurrenz.
3. Brand SEO für „Keywordkönig“: Ich habe das Wettbewerbs-Keyword „Keywordkönig“ wie eine echte Marke behandelt. Umfangreiches Schema-Markup auf der Seite, schneller Aufbau von Citations quer durchs Internet und sinnvolle Verbindungen zwischen Citations und der Domain. Das ist dasselbe Vorgehen, das wir auch für echte Brand SEO bei Kunden einsetzen, nur im Zeitraffer.

Der Sieg beim KI-Wettbewerb zeigt genau das, was Andrea Volpini in seinem Artikel beschreibt. Wer die Retrieval-Pipeline versteht und Content entsprechend aufbaut, wird nicht nur von Google, sondern auch von KI-Systemen bevorzugt.

Semantisches SEO umsetzen: Zusammenfassung und nächste Schritte

Semantisches SEO ist die Methodik, mit der Suchmaschinen und KI-Systeme Inhalte überhaupt verstehen, kein Trend und kein Buzzword. Die Methodik gewinnt mit jedem Google-Update und jedem neuen KI-System an Gewicht. Die 7 Prinzipien sind solides Handwerk: Kernaussage zuerst, verifiable Facts, klare Entitäten, starke Verben, ein Thema pro Seite, taxonomische Einordnung, chunk-fähige Absätze. Genau das macht den Einstieg leicht.

Wer Semantisches SEO konsequent umsetzt, gewinnt doppelt: bessere Google-Rankings und Sichtbarkeit in KI-Systemen. Wer es ignoriert, riskiert schleichenden Sichtbarkeitsverlust: erst bei Google, dann in KI-Systemen.

Wir analysieren das semantische Profil deiner wichtigsten Seiten im SEO-Audit, mit konkreten Maßnahmen, die du direkt umsetzen kannst.

Pro-Tipp: Deine Markenbeschreibung ist dein wichtigstes semantisches Asset. Schreibe eine einzige, definitive Beschreibung deiner Marke und verwende sie wortgleich überall: auf deiner Website, in Social-Media-Profilen, in Branchenbüchern, in Pressemitteilungen, in Schema-Markup. Den strategischen Rahmen dahinter liefert SEO als Markenkanal. Die Beschreibung sollte 3 Dinge leisten:

1. Markenname am Satzanfang. Immer. „HECHT INS GEFECHT ist eine SEO-Agentur…“, nicht „Als SEO-Agentur sind wir bei HECHT INS GEFECHT…“. Wer am Anfang steht, wird von Google als Hauptentität erkannt und bekommt den höchsten Salience Score.
2. Hohe Entitätsdichte. Packe alle USPs, den Standort, die Gründung, die Kernleistung und die Zielgruppe in 2-3 Sätze. Jedes einzelne Element ist ein Attribut, das Google deiner Marken-Entität zuordnet.
3. 100 % Konsistenz. Nicht „SEO-Agentur“ auf der Website und „Online-Marketing-Agentur“ auf LinkedIn. Google und KI-Systeme gleichen Beschreibungen über das gesamte Internet ab. Abweichungen verwirren die Entitätserkennung und schwächen dein Knowledge Panel.

Der Ansatz kommt ursprünglich aus der Optimierung für den Google Knowledge Graph, ist aber in Zeiten von LLMs noch deutlich wichtiger geworden. KI-Systeme ziehen sich Informationen über deine Marke aus Dutzenden Quellen gleichzeitig. Die Antwort wird unsicher, wenn die Quellen unterschiedliche Beschreibungen liefern. Das KI-System zitiert im Zweifel jemand anderen, der konsistenter auftritt. Wie du deine Über-uns-Seite als Entity-Dokument schreibst, das Google und KI-Systeme gleichzeitig bedient, zeigen wir in einem eigenen Beitrag.

Häufige Fragen zu Semantischem SEO

Quellen

• Volpini, Andrea (2026): „Why AI Cites Some Pages and Ignores Others“, WordLift Blog
• Indig, Kevin (2026): „The Science of How AI Pays Attention“
• Gübür, Koray Tuğberk: „Semantic SEO“, Holistic SEO Digital
• Barnard, Jason: „What is Entity-Based SEO?“, Kalicube

Wer das verstanden hat, hört auf, Backlinks zu kaufen, und fängt an, eine Marke aufzubauen.

Was Brand SEO von klassischem SEO unterscheidet

Brand SEO beschreibt den Prozess, eine Marke für Google und LLMs trennscharf von anderen Marken und Entitäten abzugrenzen, sodass sie sauber erkannt wird. LLM steht für Large Language Model, die Technik hinter ChatGPT. Brand SEO umfasst auch den Aufbau von Sichtbarkeit in den Such-Systemen. Im Gegensatz zu traditionellem SEO (Search Engine Optimization) gibt es hier keine Shortcuts.

Brand SEO funktioniert sowohl für Unternehmen als auch für Personal Brands. Ein Influencer, ein Berater oder ein Autor braucht Brand SEO, sobald er unter eigenem Namen oder Markennamen gefunden werden will. Damit ist Brand SEO der strategische Überbau für Markenaufbau (Brand Building) im digitalen Raum. Das Ziel ist, als Entität erkannt und zitiert zu werden statt nur gefunden.

Der entscheidende Unterschied zu klassischem SEO: Brand SEO arbeitet nicht mit Keywords, sondern mit Entitäten, dem Kernprinzip von Semantischem SEO. Eine Entität ist ein eindeutig identifizierbares Objekt im Google Knowledge Graph: eine Person, ein Unternehmen, ein Produkt. Wenn du „der Papst“ sagst, ist das ein Keyword, mehrdeutig und offen. Wenn du „Leo XIV.“ sagst, ist das eine Entität: eine Person, geboren am 14. September 1955, Beruf Papst, mit eindeutiger Knowledge-Graph-ID gespeichert. Brand SEO verwandelt deine Marke in eine solche Entität. Wie sich SEO insgesamt vom Performance- zum Markenkanal verschiebt, ordnen wir in einem eigenen Beitrag ein.