LLM-Zitierbarkeit: Wie ChatGPT und Perplexity zu einer neuen Traffic-Quelle werden

1. Was Generative Engine Optimization bedeutet

Generative Engine Optimization, kurz GEO, bezeichnet die gezielte Aufbereitung von Inhalten mit dem Ziel, von generativen KI-Systemen als Quelle herangezogen und in deren Antworten zitiert zu werden. Anders als bei klassischem SEO geht es nicht primär darum, eine Position in einer Ergebnisliste zu erreichen, sondern darum, dass ein Sprachmodell den eigenen Inhalt beim Formulieren einer Antwort tatsächlich als relevante Informationsquelle heranzieht und im besten Fall auch als Link nennt.

Der Begriff ist noch jung und die Praktiken dahinter entwickeln sich laufend weiter, da sich auch die zugrunde liegenden Systeme ständig ändern. Dennoch lassen sich bereits klare Muster erkennen, welche Content-Eigenschaften die Wahrscheinlichkeit einer Zitierung erhöhen. Wer GEO betreibt, verzichtet nicht auf klassisches SEO, sondern ergänzt es um eine zusätzliche Ebene, da beide Disziplinen auf ähnlichen Grundlagen wie Autorität, Struktur und technischer Zugänglichkeit aufbauen.

2. Der Unterschied zu klassischem SEO

Klassisches SEO optimiert für ein Ranking-System, das eine Rangliste von Ergebnissen erzeugt, unter denen ein Nutzer selbst auswählt, welchen Link er anklickt. Der Erfolg lässt sich über Position, Klickrate und Sichtbarkeit relativ präzise messen. Bei generativen KI-Systemen entfällt diese Rangliste meist komplett, stattdessen wird aus mehreren gefundenen Quellen eine einzige, zusammengefasste Antwort synthetisiert, wobei nur eine Auswahl der herangezogenen Quellen überhaupt sichtbar zitiert wird.

Das bedeutet auch, dass ein Inhalt zwar für die Antwortgenerierung genutzt werden kann, ohne dass er als Quelle sichtbar erscheint, was die Erfolgsmessung erschwert. Zudem bevorzugen diese Systeme in der Regel prägnante, klar strukturierte Textpassagen, die sich leicht extrahieren und in eine Antwort einbetten lassen, während klassisches SEO oft auch von langen, umfassenden Fließtexten profitiert, die primär für menschliche Leser und nicht für maschinelle Extraktion geschrieben sind.

3. Der Unterschied zu Googles AI Overviews

Googles AI Overviews sind technisch eng mit der klassischen Google-Suche verwoben und greifen im Kern auf denselben Suchindex zu, den auch die normalen blauen Links nutzen. Die dort zitierten Quellen lassen sich über die Search Console teilweise nachvollziehen, da Google Impressionen und Klicks für Seiten meldet, die in einer AI Overview erscheinen, sofern die entsprechende URL bereits im Index erfasst ist.

ChatGPT und Perplexity arbeiten dagegen mit eigenen Retrieval-Systemen, die teilweise auf eigene Web-Crawler wie GPTBot oder PerplexityBot und teilweise auf externe Suchindex-Partner zurückgreifen. Es gibt keine gemeinsame Search-Console-ähnliche Oberfläche, über die sich Zitierungen dort systematisch nachvollziehen lassen, was die Messbarkeit gegenüber AI Overviews deutlich einschränkt. Wer in beiden Systemen sichtbar sein möchte, muss daher zwei getrennte Optimierungslogiken im Blick behalten, auch wenn sich viele Maßnahmen technisch überschneiden.

4. Wie Sprachmodelle Quellen für ihre Antworten auswählen

Die meisten produktiven KI-Assistenten arbeiten nicht ausschließlich mit dem im Training gelernten Wissen, sondern setzen zusätzlich auf Retrieval Augmented Generation, kurz RAG. Bei einer Nutzerfrage wird zunächst eine klassische Suche oder ein Abgleich mit einem eigenen Index durchgeführt, die relevantesten Textpassagen werden extrahiert und dem Sprachmodell als zusätzlicher Kontext mitgegeben, aus dem die eigentliche Antwort formuliert wird.

In diesem Auswahlprozess spielt neben inhaltlicher Relevanz auch die technische Zugänglichkeit der Quelle eine entscheidende Rolle. Eine Seite, die für den jeweiligen KI-Crawler blockiert ist, kann grundsätzlich nicht in Echtzeit herangezogen werden, selbst wenn sie inhaltlich perfekt zur Frage passt. Ebenso bevorzugen Retrieval-Systeme Textpassagen, die eine klare, in sich geschlossene Aussage treffen, da diese sich leichter aus dem größeren Seiteninhalt extrahieren und in eine Antwort einbauen lassen als verschachtelte, kontextabhängige Formulierungen.

5. Welche Content-Eigenschaften die Zitierwahrscheinlichkeit erhöhen

Inhalte mit klaren, überprüfbaren Fakten werden deutlich häufiger zitiert als vage formulierte Meinungsartikel, da Sprachmodelle konkrete Zahlen, Definitionen und Aussagen leichter isolieren und in eine Antwort einbetten können. Besonders zitierfreundlich sind Absätze, die eine Frage in ein bis zwei prägnanten Sätzen direkt beantworten, bevor im weiteren Text vertieft wird, da genau dieses Muster der Art entspricht, wie ein Sprachmodell selbst Antworten formuliert.

Eine klare Struktur mit aussagekräftigen Zwischenüberschriften, Aufzählungen und Tabellen erleichtert es den Retrieval-Systemen zusätzlich, den relevanten Ausschnitt eines längeren Artikels präzise zu identifizieren, statt den gesamten Text verarbeiten zu müssen. Auch Aktualität spielt eine Rolle, da viele Systeme ein sichtbares Veröffentlichungs- oder Aktualisierungsdatum als Signal für die Verlässlichkeit einer Information werten, besonders bei Themen, die sich schnell verändern wie Software-Versionen, Preise oder rechtliche Rahmenbedingungen.

6. Autorität und Reputationssignale als Filter

Sprachmodelle bewerten Quellen nicht ausschließlich nach dem Text selbst, sondern beziehen ähnlich wie klassische Suchmaschinen Reputationssignale der gesamten Domain mit ein. Eine Website, die in vielen anderen vertrauenswürdigen Quellen erwähnt, verlinkt oder zitiert wird, gilt als glaubwürdigerer Kandidat für eine Zitierung als eine unbekannte, isolierte Domain ohne erkennbare Verankerung im Web. Dieses Prinzip überträgt sich aus dem klassischen Backlink-Denken direkt in die generative Suche.

Ebenfalls relevant sind klare Autorenangaben und Nachweise fachlicher Expertise auf der Seite selbst, da Sprachmodelle bei kontroversen oder gesundheits- und finanzbezogenen Themen tendenziell vorsichtiger mit der Auswahl von Quellen umgehen. Eine Seite ohne erkennbaren Autor, ohne Impressum oder ohne nachvollziehbare fachliche Einordnung wird seltener als verlässliche Quelle herangezogen, selbst wenn der reine Fakteninhalt korrekt ist, da das System das Risiko einer Fehlinformation minimieren will.

7. Technische Voraussetzungen für Crawlbarkeit durch KI-Bots

Bevor irgendeine inhaltliche Optimierung überhaupt greifen kann, muss die technische Grundvoraussetzung erfüllt sein, dass die relevanten KI-Crawler die Website überhaupt besuchen und lesen dürfen. Bots wie GPTBot, PerplexityBot, ClaudeBot oder Google-Extended lassen sich in der robots.txt gezielt zulassen oder blockieren, unabhängig von den Regeln für den klassischen Googlebot. Viele Websites blockieren diese Bots unbewusst über generische Regeln, die ursprünglich für andere Zwecke gesetzt wurden.

Wichtig ist außerdem, dass zentrale Inhalte nicht ausschließlich über clientseitiges JavaScript nachgeladen werden, da nicht jeder KI-Crawler JavaScript in vollem Umfang ausführt und rendert. Wer sicherstellen möchte, dass ein Sprachmodell den eigenen Inhalt überhaupt lesen kann, sollte die wichtigsten Textinhalte serverseitig oder zumindest im initialen HTML ausliefern und den Zugriff der relevanten Bots regelmäßig über Server-Logs kontrollieren, statt sich allein auf die robots.txt-Konfiguration zu verlassen.

8. Messbarkeit: Referrer-Traffic von KI-Assistenten und aktuelle Grenzen

In GA4 lässt sich Traffic von KI-Assistenten inzwischen über den Referrer-Domain-Bericht grob identifizieren, da Klicks aus ChatGPT, Perplexity oder Copilot in der Regel mit erkennbaren Referrer-Domains wie chatgpt.com oder perplexity.ai ankommen, sofern der Nutzer tatsächlich auf einen zitierten Link klickt. Eine eigene, saubere Kanalgruppierung für diesen Traffic lässt sich über benutzerdefinierte Regeln in GA4 einrichten, ähnlich wie es viele Websites bereits für Social-Media-Traffic tun.

Die eigentliche Herausforderung liegt jedoch darin, dass eine reine Zitierung ohne Klick, also wenn ein Sprachmodell einen Inhalt in seiner Antwort nutzt, ohne dass der Nutzer die Quelle direkt anklickt, aktuell praktisch nicht messbar ist. Es existiert kein Werkzeug vergleichbar mit der Search Console, das Impressionen oder Zitierhäufigkeit in generativen Antworten systematisch offenlegt. Websitebetreiber sind derzeit auf punktuelle, manuelle Stichproben mit eigenen Testfragen angewiesen, um zumindest eine grobe Einschätzung der eigenen Sichtbarkeit in diesen Systemen zu gewinnen.

9. Praktische Schritte zur Optimierung für LLM-Zitierbarkeit

Ein sinnvoller erster Schritt ist die Prüfung der robots.txt auf alle relevanten KI-Bots und die gezielte Freigabe, sofern eine Zitierung erwünscht ist. Danach lohnt sich eine Überarbeitung zentraler Seiten mit klaren, direkt beantwortenden Einleitungssätzen zu Beginn jedes Abschnitts, ergänzt um strukturierte Elemente wie Tabellen, FAQ-Bereiche und nummerierte Listen, die von Retrieval-Systemen leicht extrahiert werden können.

Parallel dazu sollte an klassischen Autoritätssignalen gearbeitet werden, etwa durch Erwähnungen auf themenrelevanten Fachportalen, klare Autorenprofile mit strukturierten Daten und ein sichtbares Impressum, da diese Signale sowohl klassischem SEO als auch der generativen Sichtbarkeit zugutekommen. Wer regelmäßig eigene Testfragen in ChatGPT und Perplexity stellt und beobachtet, ob und wie die eigene Domain zitiert wird, erhält ein realistisches, wenn auch unvollständiges Bild vom Fortschritt dieser noch jungen Optimierungsdisziplin.

10. Zusammenfassung

11. FAQ: LLM-Zitierbarkeit: Das Wichtigste auf einen Blick