Optimierung für KI-Suche: Zitierfähige Inhalte und Brand Context

Zuletzt aktualisiert: 9. September 2026

Wie lässt sich eine Website für ChatGPT, Google AI Mode oder Perplexity optimieren? Wer nach einer eindeutigen Anleitung sucht, findet schnell Regeln über kurze Chunks, feste Satzmuster und möglichst viele Erwähnungen der eigenen Marke. Viele dieser Empfehlungen klingen technisch, obwohl ihre Wirkung auf die organische Sichtbarkeit bisher nicht belegt ist.

Ganz ohne belastbare Ansatzpunkte stehen wir allerdings nicht da. Anbieter veröffentlichen technische Zugangsvoraussetzungen, Forschungsgruppen testen einzelne Faktoren in kontrollierten RAG-Systemen und wiederholte Messungen zeigen, welche Quellen reale KI-Suchen verwenden. Aus diesen drei Arten von Belegen lässt sich eine vorsichtige Optimierung ableiten, deren Grenzen im Folgenden jeweils benannt werden.

URL-Citation und Brand Mention messen verschiedene Ergebnisse

Eine URL-Citation liegt vor, wenn eine KI-Antwort auf eine konkrete Webseite verweist. Je nach System erscheint dieser Verweis als Link, Fußnote oder Quellenkarte. Eine Brand Mention bezeichnet hingegen die namentliche Erwähnung einer Marke, eines Produkts oder eines Unternehmens. Hierzu zählt sowohl eine neutrale Nennung als auch eine Empfehlung.

Beide Größen können in derselben Antwort auftreten, müssen es aber nicht. ChatGPT kann ein Unternehmen empfehlen und für die Begründung ausschließlich fremde Websites zitieren. Umgekehrt kann ein Ratgeber als Quelle erscheinen, ohne dass die dahinterstehende Marke im Antworttext genannt wird. URL-Citations und Brand Mentions sind deshalb zunächst Messgrößen. Aus ihnen folgen keine zwei sauber getrennten Optimierungsdisziplinen namens Onpage und Offpage.

Selbst eine Citation beweist noch nicht, dass die verlinkte Seite die zugehörige Aussage tatsächlich stützt. In einer EMNLP-Untersuchung von Liu et al. aus dem Jahr 2023 waren durchschnittlich 51,5 Prozent der generierten Sätze vollständig durch Quellen belegt. Von den ausgegebenen Citations stützten 74,5 Prozent den jeweils zugeordneten Satz. Untersucht wurden Bing Chat, NeevaAI, Perplexity und YouChat in ihren damaligen Versionen. Die konkreten Werte lassen sich nicht auf heutige Systeme übertragen, die grundsätzliche Trennung zwischen sichtbarer Citation und inhaltlicher Verwendung der Quelle bleibt jedoch notwendig.

Für die Erfolgsmessung reicht es daher nicht aus, Links und Markennennungen zusammenzuzählen. Zusätzlich interessiert: Welche Aussage wurde übernommen? Stützt die verlinkte Quelle diese Aussage? Und in welchem Zusammenhang kommt die Marke vor? Mein Artikel über das Messen von KI-Sichtbarkeit mit wiederholten Prompt-Sets beschreibt den dafür verwendeten Aufbau.

Eine einheitliche Pipeline für KI-Suche gibt es nicht

Eine häufig verwendete Erklärung beschreibt KI-Suche als Ablauf aus sechs festen Stufen. Demnach crawle ein Bot die Seite, zerlege sie in Chunks, wandle jeden Chunk in einen Vektor um und vergleiche diesen anschließend direkt mit dem Prompt-Vektor. Diese Darstellung beschreibt eine mögliche vereinfachte RAG-Architektur, aber weder jede KI-Suche noch die offengelegten Systeme von Google, OpenAI oder Perplexity.

Belastbar ist die gröbere Prozesskette: Ein System muss Inhalte finden oder bereits kennen, relevante Quellen bzw. Passagen auswählen, daraus einen Antwortkontext bilden und anschließend eine Antwort generieren. Ob vorher eine Websuche ausgelöst wird, welcher Index zum Einsatz kommt, wie Dokumente segmentiert werden und wann eine Citation gesetzt wird, unterscheidet sich je nach Produkt und Anfrage. Einzelne Schritte können zudem mehrfach ausgeführt oder ganz übersprungen werden.

Google beschreibt für AI Overviews und AI Mode eine Verbindung aus den eigenen Suchsystemen, Retrieval-Augmented Generation und Query Fan-out. Im Google-Leitfaden zur Optimierung für generative Suchfunktionen erklärt das Unternehmen außerdem, dass Inhalte nicht eigens in kleine Chunks zerlegt werden müssten. OpenAI nennt in seiner Dokumentation zu ChatGPT Search den Zugriff des OAI-SearchBot als Voraussetzung für die Aufnahme einer Seite, garantiert dadurch allerdings keine Platzierung.

Derartige Aussagen dokumentieren zunächst die öffentlich beschriebenen Voraussetzungen und Prozesse des jeweiligen Anbieters. Als unabhängiger Nachweis für die Gewichtung einzelner Faktoren reichen sie nicht aus. Bei Google ist diese Vorsicht besonders angebracht. Öffentlich spielte das Unternehmen Klickdaten als Ranking-Faktor lange herunter, während später veröffentlichte Unterlagen aus dem US-Kartellverfahren Clicks neben Anchors und Body als grundlegendes Topicality-Signal einordneten und Navboost anhand von Nutzerinteraktionen beschrieben. Googles Absage an künstliches Chunking ist damit eine relevante Anbieterposition für die Google-Suche, jedoch kein Beweis für sämtliche KI-Suchsysteme.

Ausführlicher behandle ich die technischen Unterschiede im zweiten Teil der Reihe über Vektoren, BERT und Query Fan-out in der KI-Suche.

Was kontrollierte GEO-Experimente tatsächlich zeigen

Die häufig zitierte Aussage, bestimmte Textänderungen könnten die Sichtbarkeit in generativen Suchmaschinen um bis zu 40 Prozent erhöhen, stammt aus dem Paper „GEO: Generative Engine Optimization“ von Aggarwal et al. Im Hauptversuch veränderten die Forscher jeweils eine Quelle innerhalb der fünf Google-Treffer, die dem untersuchten System für eine Anfrage bereits vorgegeben waren. Zusätzlich testeten sie die Bearbeitungen mit Perplexity und berichteten dort je nach Metrik Verbesserungen von bis zu 37 Prozent. Gemessen wurde die Sichtbarkeit der veränderten Quelle in den generierten Antworten. Eine langfristig bessere organische Auffindbarkeit über Crawling, Retrieval und verschiedene Plattformen belegt dieses Experiment nicht.

Ein kontrolliertes Experiment aus dem Jahr 2026 verglich jeweils zwei Quellen, die den untersuchten Sprachmodellen bereits als Kontext vorlagen. Über 252.000 Versuche mit sechs LLMs wirkten sich vor allem die thematische Relevanz und die Position einer Quelle im bereitgestellten Kontext darauf aus, welche Quelle zuerst zitiert wurde. Explizite Preise und aktuelle Zeitangaben halfen in diesem Aufbau ebenfalls. Reine Formatänderungen zeigten dagegen wenig Wirkung. Die Position im Context-Window kann ein Websitebetreiber in einer realen KI-Suche allerdings nicht direkt bestimmen.

Andere Forschung untersucht reale Plattformdaten, kann dort aber meist nur Zusammenhänge feststellen. Eine Auswertung von 602 Prompts und mehr als 18.000 abgerufenen Seiten kam 2026 zu dem Ergebnis, dass häufig verwendete Seiten tendenziell länger, klarer strukturiert und reich an Definitionen, Zahlen, Vergleichen sowie Prozessbeschreibungen waren. Daraus folgt noch nicht, dass eine längere Seite oder eine zusätzliche Tabelle die Verwendung verursacht. Relevante und gründliche Quellen besitzen derartige Eigenschaften ohnehin häufiger.

Die Forschung liefert damit Anhaltspunkte, aber keine universelle Schreibformel. Besonders gut abgesichert ist bisher, dass Relevanz, zugängliche Belege und eine klare Zuordnung von Aussagen zur Quelle wichtig sind. Deutlich schwächer ist die Grundlage für feste Absatzlängen, vorgegebene Satzmuster oder eine bestimmte Zahl externer Markenerwähnungen.

Sieben Fragen für Inhalte in der KI-Suche

1. Kann das System die konkrete Seite abrufen?

Am Anfang steht die technische Zugänglichkeit. Die relevante URL muss einen erfolgreichen HTTP-Status liefern, darf für den gewünschten Suchdienst nicht durch robots.txt oder eine Firewall blockiert sein und sollte ohne Login zugänglich bleiben. Für Google kommen Indexierbarkeit und die Berechtigung zur Snippet-Anzeige hinzu. Bei ChatGPT Search ist zu kontrollieren, ob OAI-SearchBot auf die Seite zugreifen kann. Diese Voraussetzungen ermöglichen eine Auswahl, erzwingen sie aber nicht.

Für diese Prüfung kannst Du den robots.txt-Tester im KI-Suche Wiki verwenden. Die Referenz zu HTML und JavaScript hilft Dir zusätzlich zu unterscheiden, was bereits in der Serverantwort steht und was erst im Browser entsteht.

2. Welche konkrete Frage beantwortet der Inhalt?

Eine thematisch passende Seite beantwortet noch nicht automatisch den Informationsbedarf einer Anfrage. Wer nach den Kosten einer Wärmepumpe fragt, braucht Preise, Bedingungen und einen Bezugszeitraum. Eine allgemeine Geschichte der Heiztechnik hilft bei dieser Frage kaum. Hierfür müssen keine Seiten für jede denkbare Formulierung angelegt werden. Sinnvoll ist vielmehr, die tatsächlich unterschiedlichen Fragen einer Zielgruppe zu recherchieren und innerhalb eines fachlich zusammenhängenden Inhalts vollständig zu beantworten.

3. Welche Information stammt wirklich von dir?

Eine Zusammenfassung allgemein verfügbarer Informationen gibt einem Suchsystem wenig Anlass, gerade diese Seite zu verwenden. Eigene Messdaten, dokumentierte Erfahrungen, technische Tests, Originalbilder oder eine nachvollziehbare fachliche Einordnung unterscheiden den Inhalt von austauschbaren Ratgebern. Google nennt dies in seinem Leitfaden „non-commodity content“. Der Begriff stammt vom Anbieter, die praktische Logik lässt sich jedoch unabhängig prüfen: Nur eine Seite mit eigener Information kann als ursprüngliche Quelle genau dieser Information dienen.

4. Lässt sich jede wichtige Aussage überprüfen?

Zahlen brauchen eine Quelle, eine Methode, einen Geltungsbereich und ein Datum. Dasselbe gilt für Superlative wie „Marktführer“, „größter Anbieter“ oder „effizienteste Lösung“. Eine konkrete Angabe ist dabei noch lange nicht richtig, nur weil sie eine Nachkommastelle besitzt. Unbelegte Prozentwerte erhöhen keine Qualität, denn weder Leser noch KI-Systeme können ihre Herkunft kontrollieren.

Bei eigenen Daten sollte direkt erkennbar sein, wer wann was untersucht hat. Bei fremden Daten führt der Link möglichst zur ursprünglichen Untersuchung und nicht zur fünften Zusammenfassung. Aus dieser Quellenarbeit entstehen Aussagen, die sich in einer KI-Antwort tatsächlich belegen lassen.

5. Bleibt eine Passage im unmittelbaren Zusammenhang verständlich?

Nicht jeder Absatz muss wie ein eigenständiger Mini-Artikel funktionieren. Pronomen, Rückverweise und aufeinander aufbauende Erklärungen gehören zu natürlicher Sprache. Problematisch werden sie erst, wenn die zentrale Aussage ohne mehrere vorherige Abschnitte nicht mehr zu verstehen ist. „Wie bereits erwähnt, ist dies besonders wichtig“ enthält z. B. weder einen klaren Gegenstand noch eine überprüfbare Information.

Überschriften, Absätze, Listen und Tabellen sollten deshalb den Gedankengang für Leser ordnen. Gleichzeitig lohnt es sich, wichtige Definitionen und Ergebnisse mit ihrem konkreten Gegenstand zu formulieren. Daraus ergibt sich eine lokal verständliche Passage, ohne den gesamten Text künstlich in gleich lange Chunks zu zerlegen.

6. Sind Namen und Eigenschaften eindeutig zugeordnet?

Unternehmen verstecken ihre eigentliche Leistung gern hinter Formulierungen wie „innovative Lösungen für anspruchsvolle Kunden“. Für ein KI-System bleibt dabei ebenso unklar wie für einen Menschen, was das Unternehmen anbietet, für wen das Angebot gedacht ist und in welcher Region es arbeitet. Produktname, Unternehmen, Leistung, Zielgruppe und Standort sollten im Text daher eindeutig zusammengehören.

Daraus folgt jedoch keine Pflicht, überall künstliche Subjekt-Prädikat-Objekt-Sätze oder denselben exakten Begriff zu wiederholen. Moderne Retrieval-Systeme können Synonyme und semantisch verwandte Formulierungen verarbeiten. Benötigt wird eine klare Sachinformation und kein für Maschinen vereinfachtes Deutsch.

Wenn Angaben aus Website, Firmenprofil und Drittbeiträgen auseinandergehen, kannst Du sie mit meinem Prüfschema für Unternehmensangaben nebeneinanderstellen. Entscheidend ist dabei auch, ob die Quellen dasselbe Unternehmen, denselben Standort oder überhaupt dasselbe Angebot beschreiben.

7. Wird eine Veränderung wiederholt gemessen?

Eine einzelne ChatGPT-Antwort taugt weder als Ausgangswert noch als Erfolgskontrolle. Modelle, Suchindizes und Quellen ändern sich. Selbst identische Prompts können verschiedene Antworten erzeugen. Für einen Vorher-nachher-Vergleich braucht es daher ein festes Prompt-Set, mehrere Wiederholungen pro Prompt, eine unveränderte Modell- und Sucheinstellung sowie einen ausreichend langen Messzeitraum.

Getrennt erfasst werden sollten mindestens die Brand Mention, die URL-Citation und die tatsächlich übernommene Aussage. Erst daraus lässt sich erkennen, ob eine Veröffentlichung zeitlich mit einer veränderten Sichtbarkeit zusammenfiel. Selbst dann ist noch nicht sicher, dass die Veröffentlichung diese Veränderung verursacht hat.

Brand Context entsteht je nach Anfrage aus anderen Quellen

Der Ausdruck Brand Context erweckt schnell den Eindruck, ein Sprachmodell pflege zu jeder Marke ein einziges festes Profil. Für Systeme mit Websuche ist diese Vorstellung zu einfach. Welche Beschreibung oder Empfehlung entsteht, hängt auch davon ab, welche Suche die jeweilige Anfrage auslöst und welche Quellen dabei abgerufen werden.

Wie stark sich der Quellenmix mit der Frage verändert, zeigte meine Messung zur KI-Sichtbarkeit von 16 Lübecker Unternehmen im August 2026. Bei direkten Fragen zu einer Firma stammten am ersten Messtag 86 von 101 Citations von der Website des jeweiligen Unternehmens. Das entsprach 85,1 Prozent. Bei offenen Fragen nach führenden Anbietern in einer Nische führten dagegen 357 von 406 Citations zu fremden Websites. An zwei Folgetagen zeigte sich eine ähnliche Verteilung.

Diese Zahlen beweisen nicht, dass eine bestimmte externe Erwähnung eine Brand Mention verursacht hat. Sie zeigen allerdings, welche Quellen in den beobachteten Antworten verfügbar waren. Für direkte Firmenfragen war die eigene Website die wichtigste zitierte Quelle. Bei offenen Anbieterfragen dominierten Marktforschungsseiten, Verzeichnisse, Fachportale und Websites von Wettbewerbern.

Die eigene Website dokumentiert überprüfbare Markenfakten

Auf der eigenen Domain sollten Name, Leistungen, Produkte, Standorte und Ansprechpartner eindeutig beschrieben sein. Marktpositionen und Zertifizierungen benötigen Belege. Veränderliche Angaben wie Preise, Mitarbeiterzahlen oder verfügbare Leistungen brauchen außerdem ein sichtbares Datum. Widersprechen sich mehrere eigene Seiten, ist für ein abrufendes System kaum zu erkennen, welche Angabe aktuell gilt.

Externe Quellen bestätigen andere Zusammenhänge

Bei einer offenen Empfehlung sucht ein System womöglich nach Vergleichen, Erfahrungen, Marktübersichten oder fachlichen Einordnungen. Dafür sind unabhängige Branchenmedien, Verbände, wissenschaftliche Publikationen, seriöse Verzeichnisse und echte Kundenbewertungen je nach Frage geeignet. Eine Pressemitteilung kann eine Neuigkeit dokumentieren. Ob ein Produkt im Alltag überzeugt, lässt sich daraus hingegen kaum ableiten.

Eine externe Quelle hilft nur, wenn sie zur Marke und zur jeweiligen Anfrage passt. Zwanzig gekaufte Erwähnungen auf beliebigen Websites sind nicht automatisch wertvoller als ein gründliches Porträt in einem einschlägigen Fachmedium. Google warnt in seiner eigenen Dokumentation vor künstlichen Mentions. Auch diese Warnung belegt keine konkrete Gewichtung, deckt sich aber mit dem grundlegenden Problem: Manipulierte Erwähnungen liefern weder unabhängige Bestätigung noch eine verlässliche Information für Suchende.

SEO und GEO überschneiden sich, sind aber nicht deckungsgleich

Crawling, Indexierung, Relevanz, interne Verlinkung und verlässliche Quellen gehören seit Jahren zur SEO. Wer in diesen Bereichen sauber arbeitet, beginnt bei der KI-Suche daher nicht bei null. Auch eine verständliche Textstruktur wurde nicht erst mit ChatGPT erfunden.

Neu sind vor allem das Format der Antwort und die daraus folgenden Messprobleme. Zwischen dem Auffinden einer Seite, ihrer Auswahl als Quelle, der Übernahme einer Aussage, der Citation und einer Brand Mention liegen mehrere Entscheidungen. Eine klassische Rankingposition bildet diese Schritte nicht ab. Genau deshalb braucht die Optimierung für KI-Suche ergänzende Prompt-Messungen und eine Kontrolle der Quellenverwendung.

Meine praktische Reihenfolge lautet daher: Zuerst stelle ich die technische Erreichbarkeit sicher. Danach kläre ich, welche Fragen der Inhalt mit welchen eigenen oder sauber belegten Informationen beantwortet. Externe Veröffentlichungen plane ich dort ein, wo sie einen echten fachlichen Zusammenhang ergänzen. Gemessen wird anschließend mit wiederholten Abfragen statt mit einem einzelnen Screenshot.

Mit diesem vierten Beitrag schließe ich die Artikelreihe über Funktionsweise, Messung und Optimierung der KI-Suche ab. Für zitierfähige Inhalte gibt es sinnvolle Qualitätskriterien, aber keine sieben universellen Regeln. Ob eine Maßnahme wirkt, muss für jede Plattform und Website eigens gemessen werden.