Wettbewerbsanalyse: Wer wird in KI-Antworten zitiert, und warum

1. Warum Zitation die neue Ranking-Position ist

Klassisches SEO arbeitet mit einer klaren Metrik: Position eins bis zehn auf einer Suchergebnisseite. Bei generativen Antwortsystemen gibt es diese Rangfolge in der bekannten Form nicht mehr. Stattdessen entscheidet ein Sprachmodell in Sekundenbruchteilen, welche zwei, drei oder fünf Quellen es für eine Antwort heranzieht, und diese Auswahl nennt man im GEO-Kontext KI-Zitationen. Wer in dieser kleinen Auswahl nicht vorkommt, ist für den Nutzer in diesem Moment praktisch unsichtbar, unabhängig davon, wie gut die eigene Seite bei klassischen Suchmaschinen rankt.

Der Unterschied ist mehr als kosmetisch. Eine Position zehn bei Google bekommt noch einen Klick von einem sehr motivierten Nutzer. Eine fehlende KI-Zitation bei einer direkten Fachfrage bedeutet in vielen Fällen: kein Klick, keine Markenerwähnung, keine Gelegenheit, den Nutzer überhaupt zu erreichen. Deshalb lohnt sich eine systematische Wettbewerbsanalyse, die genau dokumentiert, welche Domains für die eigenen Zielfragen als KI-Zitationen ausgewählt werden und welche nicht.

Diese Analyse ist kein einmaliges Projekt. Sprachmodelle werden regelmäßig aktualisiert, Retrieval-Layer wie bei Perplexity oder den AI Overviews von Google ändern ihre Quellenauswahl teils wöchentlich. Eine belastbare Wettbewerbsanalyse für KI-Zitationen braucht daher eine wiederholbare, dokumentierte Methode statt einzelner Stichproben, die nur eine Momentaufnahme liefern.

2. Die Grundmethodik: systematisch statt anekdotisch prüfen

Der häufigste Fehler bei der Prüfung von KI-Zitationen: ein Mitarbeiter tippt drei Fragen in ChatGPT, notiert die Antworten und zieht daraus Schlüsse für die gesamte Content-Strategie. Das Problem ist die Stichprobengröße. Sprachmodelle antworten nicht deterministisch, das heißt dieselbe Frage kann bei zwei Durchläufen unterschiedliche Quellen liefern. Eine einzelne Abfrage sagt daher wenig darüber aus, wer strukturell bevorzugt als KI-Zitation genutzt wird.

Die belastbare Methode braucht drei Elemente: ein festes Query-Set von mindestens zwanzig bis fünfzig Fragen pro Themencluster, mehrere Durchläufe pro Frage über mehrere Tage verteilt, und eine konsistente Dokumentation der zitierten Domains pro Antwort. Erst wenn eine Domain über mehrere Durchläufe und mehrere verwandte Fragen hinweg wiederholt als KI-Zitation erscheint, lässt sich von einem stabilen Muster sprechen statt von Zufall.

Zusätzlich lohnt sich die Prüfung über mehrere Systeme hinweg: ChatGPT mit Web-Suche, Perplexity, Google AI Overviews und, wo fachlich relevant, auch Claude mit aktivierter Websuche. Jedes System hat einen eigenen Retrieval-Mechanismus und eigene Gewichtungen, daher unterscheiden sich die KI-Zitationen zwischen den Plattformen teils erheblich. Eine Domain, die bei Perplexity fast immer zitiert wird, kann bei den AI Overviews komplett fehlen, und umgekehrt.

#!/usr/bin/env bash
# citation-check.sh: structured logging loop for manual GEO query runs
# Run each query 3x across sessions/days, log the cited domains manually or via API

set -euo pipefail

readonly QUERY_FILE="queries.txt"          # one query per line
readonly LOG_DIR="citation-logs/$(date +%Y-%m-%d)"
mkdir -p "$LOG_DIR"

counter=0
while IFS= read -r query; do
  counter=$((counter + 1))
  logfile="$LOG_DIR/query-${counter}.md"
  {
    echo "## Query: $query"
    echo "- Date: $(date -Iseconds)"
    echo "- Platform: "                # fill in manually: chatgpt / perplexity / gemini / claude
    echo "- Cited domains: "           # fill in manually after checking the response
    echo "- Own domain cited: yes/no"
  } > "$logfile"
  echo "[LOG] Prepared template for: $query -> $logfile"
done < "$QUERY_FILE"

echo "Prepared $counter query templates in $LOG_DIR"

3. Query-Sets aufbauen: welche Fragen wirklich zählen

Ein gutes Query-Set für die Analyse von KI-Zitationen bildet die tatsächlichen Fragen ab, die potenzielle Kunden an ein Sprachmodell stellen würden, nicht die Keywords, die man bei Google eingeben würde. Das bedeutet vollständige, natürlich formulierte Fragen: "Welches Shopsystem eignet sich für einen B2B-Großhändler mit komplexer Preislogik?" statt "Shopsystem B2B Vergleich". Sprachmodelle reagieren auf semantische Nähe zur gestellten Frage, nicht auf exakte Keyword-Treffer, deshalb muss das Query-Set diese natürliche Formulierung widerspiegeln.

Bewährt hat sich eine Aufteilung in vier Query-Typen: informationelle Fragen ("Was ist der Unterschied zwischen X und Y?"), Vergleichsfragen ("Welche Alternative zu X ist für Anwendungsfall Z am besten?"), Empfehlungsfragen ("Was sind die besten Anbieter für...?") und Problemlösungsfragen ("Wie löse ich Problem X in Kontext Y?"). Jeder Typ produziert unterschiedliche KI-Zitationen, weil die Modelle je nach Fragetyp unterschiedliche Quellenarten bevorzugen, etwa Vergleichsportale bei Empfehlungsfragen und technische Dokumentationen bei Problemlösungsfragen.

Wichtig ist außerdem die Frageebene: sowohl breite Fragen zum Themencluster als auch enge Fragen zu spezifischen Unterthemen gehören ins Set. Eine Domain kann bei breiten Fragen komplett fehlen, aber bei den engen Detailfragen konstant als KI-Zitation erscheinen, weil sie dort die spezifischste und am besten belegte Antwort liefert. Diese Granularität in der Analyse zeigt, auf welcher Ebene die eigene Content-Strategie ansetzen sollte.

4. Zitationsmuster analysieren: wer taucht wie oft auf

Nach der Datensammlung folgt die eigentliche Musteranalyse. Für jede Domain im Wettbewerbsfeld wird erfasst, bei wie vielen Prozent der Durchläufe sie als KI-Zitation erscheint, bei welchen Query-Typen sie besonders stark oder schwach abschneidet, und an welcher Position innerhalb der Antwort die Zitation typischerweise steht. Frühe Nennungen innerhalb einer Antwort korrelieren häufig mit höherer wahrgenommener Autorität, auch wenn die Systeme selbst keine explizite Rangfolge kommunizieren.

Ein Muster, das sich in der Praxis regelmäßig zeigt: wenige Domains dominieren die KI-Zitationen für ein Themencluster fast vollständig, während viele andere, teils traffic-starke Seiten kaum oder nie auftauchen. Das entspricht nicht zwangsläufig der klassischen Google-Rangfolge. Eine Seite mit solider Position drei bis fünf bei Google kann bei den KI-Zitationen komplett fehlen, wenn ihr Content zu werblich, zu unstrukturiert oder zu wenig faktenbasiert formuliert ist, während eine Seite mit schwächerem klassischem Ranking regelmäßig zitiert wird, weil sie klarer strukturierte, direkt extrahierbare Antworten liefert.

5. Was zitierte Seiten strukturell gemeinsam haben

Über viele Themencluster hinweg lassen sich bei häufig genutzten KI-Zitationen wiederkehrende strukturelle Merkmale beobachten. Das auffälligste: die Antwort auf die zugrunde liegende Frage steht nah am Seitenanfang, meist in den ersten ein bis drei Sätzen unter der relevanten Überschrift, nicht erst nach einer langen Einleitung mit Unternehmensgeschichte oder Marketing-Formulierungen. Sprachmodelle extrahieren Textpassagen, keine ganzen Seiten, deshalb erhöht eine direkte, isoliert verständliche Antwort die Wahrscheinlichkeit einer KI-Zitation deutlich.

Zweitens sind zitierte Seiten fast immer klar semantisch strukturiert: aussagekräftige H2- und H3-Überschriften, die selbst schon eine Frage oder ein Unterthema benennen, Listen für Aufzählungen, Tabellen für Vergleiche, und häufig strukturierte Daten wie FAQPage- oder HowTo-Schema im Hintergrund. Diese Struktur erleichtert nicht nur Sprachmodellen die Extraktion, sie verbessert auch die klassische Lesbarkeit, was den zweifachen Nutzen dieser Investition erklärt.

Drittens enthalten häufig zitierte Seiten konkrete, überprüfbare Informationen statt vager Behauptungen: Zahlen, Definitionen, Vergleichskriterien, Grenzwerte, Schritt-für-Schritt-Anleitungen. Ein Satz wie "die Ladezeit sollte unter zwei Sekunden liegen" wird eher als KI-Zitation herangezogen als "eine schnelle Ladezeit ist wichtig", weil der erste Satz eine direkt verwertbare, präzise Aussage liefert.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Beispiel: klar strukturierte, zitierfähige Seite",
  "author": { "@type": "Organization", "name": "Beispielfirma" },
  "datePublished": "2026-06-01",
  "dateModified": "2026-07-15",
  "about": "Definiert konkret prüfbares Thema statt vager Aussagen",
  "mainEntity": {
    "@type": "DefinedTerm",
    "name": "Zielbegriff",
    "description": "Eine präzise, in sich abgeschlossene Definition, die ohne weiteren Kontext verständlich ist und direkt als Antwort extrahiert werden kann."
  }
}

<!-- Structure pattern that performs well as a source for AI answers -->
<h2 id="max-ladezeit">Welche Ladezeit gilt als Obergrenze fuer B2B-Shops?</h2>
<p>
  <!-- Direct answer in the first sentence, self-contained without prior context -->
  Die Largest Contentful Paint sollte unter 2,5 Sekunden liegen, gemessen auf
  einem mobilen Mid-Range-Geraet unter realistischer Netzwerkbedingung.
</p>
<dl>
  <dt>Guter Wert</dt>
  <dd>LCP unter 2,5 Sekunden</dd>
  <dt>Grenzwertig</dt>
  <dd>LCP zwischen 2,5 und 4,0 Sekunden</dd>
  <dt>Kritisch</dt>
  <dd>LCP ueber 4,0 Sekunden</dd>
</dl>

6. Was übersehene Seiten gemeinsam haben

Genauso aufschlussreich wie die Muster bei den KI-Zitationen ist die Analyse der übergangenen Seiten, vor allem wenn sie klassisch gut ranken. Ein wiederkehrendes Muster: lange, unstrukturierte Fließtextblöcke ohne klare Zwischenüberschriften, in denen die eigentliche Antwort irgendwo im dritten Absatz versteckt ist. Sprachmodelle bevorzugen Passagen, die isoliert vom Rest der Seite verständlich sind, ein Absatz, der auf vorherige Absätze verweist ("wie oben erwähnt") oder Kontext voraussetzt, eignet sich schlecht als eigenständiges Zitat.

Ein zweites häufiges Muster bei übergangenen Seiten: werbliche Sprache mit unbelegten Superlativen wie "der beste Anbieter" oder "die führende Lösung" ohne begleitende Fakten oder Kriterien. Sprachmodelle sind darauf trainiert, neutrale, faktenbasierte Aussagen zu bevorzugen, weil sie als Antwortquelle glaubwürdiger wirken. Reine Werbebehauptungen ohne Beleg werden in der Praxis seltener als KI-Zitationen genutzt, selbst wenn die Seite thematisch relevant ist.

Drittens fällt auf, dass Seiten ohne erkennbares Aktualisierungsdatum oder mit veralteten Informationen seltener zitiert werden, besonders bei Themen mit hoher Änderungsgeschwindigkeit. Ein technischer Artikel, der offensichtlich auf einem alten Softwarestand basiert, wird von einem Modell, das aktuelle Informationen liefern soll, tendenziell gemieden, selbst wenn keine neuere Alternative existiert und die Information im Kern noch zutrifft.

7. Wettbewerbsanalyse dokumentieren und wiederholen

Eine einmalige Analyse der KI-Zitationen verliert innerhalb weniger Wochen an Aussagekraft, weil sich Modelle, Retrieval-Systeme und Wettbewerberinhalte ständig verändern. Sinnvoll ist ein festes Tracking-Format, das monatlich oder quartalsweise wiederholt wird: dieselben Query-Sets, dieselbe Dokumentationsstruktur, damit Veränderungen über Zeit sichtbar werden statt einzelner Momentaufnahmen.

In der Praxis bewährt sich eine einfache tabellarische Struktur mit Spalten für Query, Plattform, Datum, zitierte Domains in Reihenfolge und eine kurze Notiz zur Antwortqualität. Diese Rohdaten lassen sich anschließend aggregieren: Wie oft taucht die eigene Domain über alle Queries auf? Welche Wettbewerber gewinnen oder verlieren KI-Zitationen im Zeitverlauf? Verändert sich das Muster nach einer eigenen Content-Aktualisierung?

{
  "tracking_run": "2026-07-week3",
  "query_set": "b2b-shopsystem-cluster",
  "results": [
    {
      "query": "Welches Shopsystem eignet sich fuer komplexe B2B-Preislogik?",
      "platform": "perplexity",
      "cited_domains_in_order": [
        "wettbewerber-a.de",
        "eigene-domain.de",
        "fachportal-b.de"
      ],
      "own_domain_cited": true,
      "answer_quality_note": "Eigene Seite an Position 2, aber nur mit einem Halbsatz zitiert"
    },
    {
      "query": "Welches Shopsystem eignet sich fuer komplexe B2B-Preislogik?",
      "platform": "chatgpt-web",
      "cited_domains_in_order": ["wettbewerber-a.de", "wettbewerber-c.de"],
      "own_domain_cited": false,
      "answer_quality_note": "Eigene Domain fehlt komplett bei diesem Durchlauf"
    }
  ]
}

8. Von der Analyse zur Content-Anpassung

Die Wettbewerbsanalyse ist nur dann wertvoll, wenn sie konkrete Content-Entscheidungen anstößt. Der erste Schritt: Themen und Fragen identifizieren, bei denen die eigene Domain nie als KI-Zitation erscheint, obwohl inhaltlich relevanter Content existiert. In diesen Fällen lohnt sich ein direkter Strukturvergleich mit der am häufigsten zitierten Wettbewerberseite: Steht die Antwort dort weiter oben? Ist die Sprache konkreter? Fehlt bei der eigenen Seite ein aktuelles Datum oder strukturierte Daten?

Der zweite Schritt ist die gezielte Nachschärfung bestehender Inhalte statt kompletter Neuerstellung: die Kernantwort nach oben ziehen, vage Formulierungen durch konkrete Zahlen und Kriterien ersetzen, fehlende Struktur-Markup ergänzen. Diese Anpassungen sind in der Regel deutlich günstiger als neue Inhalte zu produzieren, und die Wettbewerbsanalyse liefert die Priorisierung: zuerst die Themen bearbeiten, bei denen KI-Zitationen für die relevantesten Fragen fehlen, nicht die mit dem größten allgemeinen Traffic-Potenzial.

Wichtig ist eine realistische Erwartungshaltung an die Wirkung: eine Content-Anpassung führt nicht garantiert und nicht sofort zu einer neuen KI-Zitation. Modelle werden nicht in Echtzeit neu trainiert, und Retrieval-Layer haben eigene Indexierungszyklen. Realistisch ist eine erneute Prüfung nach vier bis acht Wochen, mit demselben Query-Set, um zu sehen, ob sich das Zitationsmuster überhaupt verändert hat.

// extractCitations.js: simple helper to pull cited domains out of a
// copy-pasted AI answer (manual workflow, no API scraping involved)
function extractCitations(answerText) {
  // Matches bare domains and markdown-style links in the pasted answer
  const urlPattern = /(?:https?:\/\/)?(?:www\.)?([a-z0-9-]+\.[a-z]{2,})/gi;
  const matches = [...answerText.matchAll(urlPattern)];
  const domains = matches.map((m) => m[1].toLowerCase());

  // Deduplicate while preserving citation order
  return [...new Set(domains)];
}

const pastedAnswer = "Laut wettbewerber-a.de und eigene-domain.de liegt die " +
  "empfohlene Ladezeit unter 2,5 Sekunden. fachportal-b.de nennt aehnliche Werte.";

console.log(extractCitations(pastedAnswer));
// ["wettbewerber-a.de", "eigene-domain.de", "fachportal-b.de"]

9. Grenzen der Methode: Nichtdeterminismus einkalkulieren

So systematisch die Methode auch aufgebaut ist, sie hat feste Grenzen. Sprachmodelle liefern bei identischer Frage nicht immer dieselbe Antwort und nicht immer dieselben Quellen, selbst innerhalb kurzer Zeitabstände. Diese Variabilität ist kein Messfehler, sondern eine Eigenschaft der zugrunde liegenden Systeme. Wer aus drei Durchläufen eine endgültige Aussage ableitet, überschätzt die Präzision der Methode.

Zudem unterscheiden sich Antworten je nach Standort, Kontoeinstellungen, Gesprächsverlauf und Systemversion, was eine externe Analyse zusätzlich erschwert. Eine belastbare Wettbewerbsanalyse für KI-Zitationen liefert deshalb keine exakten Prozentzahlen, sondern robuste Tendenzen: welche Domains erscheinen konstant, welche nie, welche gelegentlich. Diese Tendenzen sind für strategische Entscheidungen ausreichend, auch wenn sie keine wissenschaftliche Exaktheit beanspruchen können.

Schließlich bleibt zu berücksichtigen, dass die Systeme selbst keine offizielle Dokumentation ihrer Quellenauswahl veröffentlichen. Alle hier beschriebenen Muster sind aus wiederholter Beobachtung abgeleitet, nicht aus offengelegten Algorithmen. Diese Methodik ersetzt daher keine Grundlagenarbeit an Content-Qualität, sondern ergänzt sie um eine empirische, wiederholbare Prüfschleife.

10. Zusammenfassung

KI-Zitationen sind die neue, deutlich engere Auswahl, in der sich Wettbewerber um Sichtbarkeit bei generativen Suchsystemen konkurrieren. Eine belastbare Wettbewerbsanalyse braucht ein festes Query-Set aus natürlich formulierten Fragen, wiederholte Durchläufe über mehrere Plattformen, und eine konsistente Dokumentation der zitierten Domains. Häufig zitierte Seiten teilen erkennbare Merkmale: direkte Antworten nah am Seitenanfang, klare semantische Struktur, konkrete Fakten statt vager Aussagen und erkennbare Aktualität.

Diese Muster lassen sich in konkrete Content-Anpassungen übersetzen, priorisiert nach den Themen, bei denen die eigene Domain aktuell keine KI-Zitationen erhält. Wichtig bleibt die realistische Einordnung: die Methode liefert robuste Tendenzen, keine exakten Kennzahlen, weil die zugrunde liegenden Systeme nichtdeterministisch arbeiten und ihre Auswahlkriterien nicht offenlegen. Wiederholte, dokumentierte Prüfung bleibt daher der einzige Weg, aus einzelnen Beobachtungen ein belastbares Bild zu machen.

11. FAQ: KI-Zitationen und Wettbewerbsanalyse