Wie KI-Systeme Inhalte auswählen – und wie Content gestaltet sein muss, damit er als Quelle erscheint
SerieBots & KI-Sichtbarkeit
Teil 4 von 4
Der Denkwechsel, der alles verändert
Klassisches SEO stellt eine Frage: Wie bekommt eine Seite Traffic? Die Antwort führt zu Keyword-Recherche, Ranking-Optimierung, Click-through-Rate und organischen Besuchern.
LLM-SEO stellt eine andere Frage: Wie wird eine Seite zur Quelle, auf die KI-Systeme zurückgreifen? Die Antwort führt zu Struktur, thematischer Autorität, Präzision und dem Unterschied zwischen Inhalten, die man versteht – und Inhalten, die man zitiert.
Klassisches SEO optimiert für Sichtbarkeit. LLM-SEO optimiert für Verwendbarkeit.
Sichtbar sein heißt: gefunden werden können. Verwendbar sein heißt: direkt in Antworten eingebaut werden können. Das ist kein gradueller Unterschied – es ist ein anderer Modus. Wer nicht zitiert wird, existiert für KI-Antworten praktisch nicht.
Das sind zwei verschiedene Optimierungsziele. Sie überschneiden sich in Teilen – gute Inhalte helfen bei beidem. Aber sie divergieren dort, wo es auf Lesbarkeit für Maschinen ankommt, die keine Rankings vergeben, sondern Antworten synthetisieren.
Wer KI-Bots zugelassen hat (wie in Teil 2 und Teil 3 dieser Serie beschrieben), ist gecrawlt – aber noch lange nicht zitiert. Der nächste Schritt ist, zu verstehen, wie KI-Systeme entscheiden, welche Quellen sie verwenden.
Wie KI-Systeme Inhalte auswählen
LLMs und retrieval-gestützte Systeme wie Perplexity oder die Browse-Funktion von ChatGPT wählen Quellen nicht willkürlich. Retrieval-Augmented-Generation-Systeme (RAG) arbeiten dabei in vier Stufen: Zuerst analysiert das System die Query — was wird gefragt, in welchem Kontext? Dann folgt eine semantische Suche über Vektoren, die inhaltliche Nähe bewertet, nicht nur Keyword-Übereinstimmung. Im dritten Schritt wird re-gerankert: Relevanz, thematische Autorität und Information Gain entscheiden, welche Quellen in die engere Auswahl kommen. Im letzten Schritt werden Zitationen vergeben — mit Verifikation, ob die Quelle die Aussage tatsächlich stützt.
Zwischen semantischer Suche und Re-Ranking liegt ein oft übersehener Schritt: Chunking. Inhalte werden in kleine Segmente zerlegt — typisch 100 bis 300 Tokens — die einzeln bewertet werden. Das hat eine direkte Konsequenz: Nicht der gesamte Artikel wird bewertet, sondern einzelne Abschnitte. Wer zitiert werden will, muss in jedem Abschnitt eigenständig verständlich sein.
Es gibt Muster, die beobachtbar sind:
Direkte Beantwortbarkeit. Inhalte, die eine Frage klar und in den ersten Absätzen beantworten, werden häufiger als Quelle verwendet als Inhalte, die das Thema umkreisen. Studien zur RAG-Zitationsverteilung zeigen, dass rund 44 Prozent aller Zitationen aus den ersten 200 Wörtern eines Dokuments stammen. “Was ist X?” braucht eine direkte Antwort im ersten Satz – nicht eine Geschichte, die drei Absätze später zur Definition kommt.
Strukturiertheit. Klare Abschnitte mit aussagekräftigen Überschriften erleichtern die Extraktion von Informationen. Ein klar gegliederter Artikel ist für KI-Systeme einfacher zu verarbeiten als ein Fließtext-Essay ohne Ankerpunkte.
Präzision statt Vorsicht. Inhalte mit konkreten Aussagen (“X ist besser als Y, wenn Bedingung Z gilt”) werden häufiger zitiert als Inhalte mit pauschalen Absicherungen. Klassische SEO-Texte sind oft bewusst weich formuliert, um möglichst viele Suchintentionen abzudecken. Für LLMs ist das ein Nachteil: Modelle bevorzugen Aussagen, die eindeutig sind – auch wenn sie nur für einen Teil der Fälle gelten. “Kommt darauf an” ist selten zitierfähig. “X gilt unter Bedingung Y” ist es.
Thematische Konsistenz. Seiten, die mehrere Artikel zu einem eng verwandten Thema veröffentlichen, erscheinen KI-Systemen als kompetenter in diesem Bereich. Das ähnelt dem Konzept der thematischen Autorität aus klassischem SEO – aber es wirkt auch auf die Art, wie Sprachmodelle über Trainings- und Retrieval-Daten intern gewichten.
Häufig referenzierte Inhalte. Wenn andere Seiten auf bestimmte Inhalte verlinken, erhöht das die Wahrscheinlichkeit, dass diese Inhalte als Quelle ausgewählt werden. Das ist keine neue Erkenntnis – Backlinks helfen – aber im LLM-Kontext geht es weniger um Link-Volumen als um fachlich relevante Verweise.
Statistiken und Expertenzitate. Konkrete Zahlen und zugeschriebene Zitate erhöhen die Zitationswahrscheinlichkeit messbar. Inhalte mit verifizierbaren Datenpunkten werden von Re-Ranking-Systemen höher bewertet als inhaltlich äquivalente, aber unbelegte Aussagen. Vagheit und die Wiederholung von anderem Content senken die Chance, ausgewählt zu werden.
Struktur schlägt Textmenge
Ein langer Artikel ist kein Qualitätssignal für KI-Systeme. Was zählt, ist die Dichte verwertbarer Aussagen.
Konkret bedeutet das:
Direkt beantwortbare Fragen als Abschnitt-Überschriften. “Was ist der Unterschied zwischen robots.txt und Cloudflare Bot Management?” ist eine bessere Überschrift als “Unsere Empfehlung zur technischen Umsetzung”. Die erste Version ist ein Extraktionspunkt für KI-Systeme. Die zweite ist es nicht.
Klare Kriterien statt genereller Empfehlungen. “Wann ist Strategie A sinnvoll?” beantwortet man am besten mit einer Liste: Wenn Monetarisierung über Klicks läuft. Wenn Inhalte hinter einer Paywall liegen. Wenn Lizenzgespräche mit KI-Anbietern laufen. Das ist zitierfähig. “Es kommt auf Ihre Situation an” ist es nicht.
Listen und Vergleiche statt Fließtext-Essays. Strukturierte Vergleiche (wie die Tabelle weiter unten in diesem Artikel) sind für KI-Systeme leichter zu verarbeiten als gleichwertige Informationen in Prosa. Das hat nichts mit Textqualität zu tun – es geht um Extrahierbarkeit.
Schreiben für Chunks, nicht für Seiten
LLMs sehen keine Artikel — sie sehen Segmente. Ein guter Abschnitt erfüllt drei Kriterien: Er beantwortet eine konkrete Frage, er ist ohne Kontext verständlich, und er enthält keine Rückverweise wie “wie oben beschrieben”.
Der Unterschied in der Praxis:
Schlecht für LLMs: „Wie bereits erwähnt, spielt Struktur eine wichtige Rolle.”
Gut für LLMs: „Struktur verbessert die Zitierbarkeit, weil KI-Systeme Informationen blockweise extrahieren — jeder Abschnitt wird unabhängig bewertet.”
Faustregel: Jeder Abschnitt sollte isoliert zitierbar sein. Wer einen Abschnitt aus dem Artikel herauslöst und als eigenständige Antwort liest — und er klingt vollständig — dann ist er chunk-optimiert.
Entitäten und thematische Autorität
Thematische Autorität entsteht nicht durch einen einzelnen Artikel. Sie entsteht durch konsistente Tiefe über Zeit.
Ein Beispiel: Zehn Artikel über “Cloudflare und Sicherheit” – robots.txt, Bot Management, WAF-Regeln, DDoS-Schutz, Zero Trust, Workers-Sicherheit, Firewall-Analytics, Certificate Management, Rate Limiting, Access-Richtlinien – ergeben zusammen ein Signal, das kein einzelner Artikel erzeugen kann. KI-Systeme, die diese Sammlung von Inhalten verarbeiten, haben ein klares Bild davon, wer zu diesem Thema konsistent publiziert.
Das ist das Konzept der semantischen Entitäten: Eine Seite, eine Autorin, ein Publikationsort wird mit einem Themenbereich assoziiert – nicht durch eine einzelne Aussage, sondern durch ein Muster über viele Inhalte.
Für die Praxis bedeutet das: Thematische Tiefe ist wertvoller als thematische Breite. Wer zu zehn Themen je einen Artikel hat, ist in keinem davon eine erkennbare Quelle. Wer zu einem Thema zehn aufeinander aufbauende Artikel hat, ist es.
Eigene Perspektive als Schutz vor Austauschbarkeit
KI-Systeme suchen nicht nur Fakten. Sie suchen Einordnung, Bewertung, Erfahrung – weil das der Mehrwert ist, den sie ihren Nutzern anbieten. Reine Faktenlisten sind austauschbar. Sie stehen auf zehn anderen Seiten genauso.
Was nicht austauschbar ist: eine begründete Position. “Cloudflare Bot Fight Mode reicht für die meisten Setups, solange man robots.txt korrekt konfiguriert hat – Bot Management lohnt sich erst, wenn granulare Regeln für AI Bots nötig sind.” Das ist eine Aussage, die eine Entscheidungshilfe liefert. Sie ist nicht neutral – und das ist ihr Wert.
Das schützt auch vor dem Risiko, dass KI-Systeme Inhalte vollständig ersetzen. Wer nur Fakten zusammenträgt, produziert Inhalte, die KI-Systeme selbst produzieren können. Wer einordnet und bewertet, produziert Inhalte, die KI-Systeme als Grundlage für Antworten brauchen.
LLM-SEO vs. klassisches SEO
Die Unterschiede sind nicht absolut – aber sie sind relevant genug, um sie explizit zu benennen:
| Dimension | Klassisches SEO | LLM-SEO |
|---|---|---|
| Ziel | Rankings in Suchergebnissen | Zitierung in KI-Antworten |
| Erfolgsmessung | Klicks, Traffic, Rankings | Erwähnungen, Quellenangaben |
| Keyword-Fokus | Suchvolumen-basiert | Fragen- und Antworten-basiert |
| Inhaltslänge | Oft länger = besser | Dichte nützlicher Aussagen > Länge |
| Struktur | Hilfreich, aber nicht kritisch | Kritisch für Extraktion |
| Backlinks | Stark gewichtet | Relevant, aber anders gewichtet |
| Aktualität | Bei News-Content wichtig | Bei Echtzeit-Retrieval wichtig |
| Perspektive | Optional | Differenzierungsfaktor |
Die wichtigste Verschiebung: Klassisches SEO optimiert für eine Liste. LLM-SEO optimiert für eine Antwort. Wer in einer Antwort zitiert wird, braucht keinen Klick mehr – und wer nur in einer Liste auftaucht, bekommt vielleicht keinen.
Technische Hygiene als Voraussetzung
Inhalte können noch so gut strukturiert sein – wenn die technische Basis fehlt, werden sie nicht korrekt verarbeitet:
Saubere HTML-Struktur. Semantische Tags (article, section, h1 bis h3, p) helfen KI-Systemen bei der Inhaltsextraktion. Tabellen mit thead und tbody. Listen mit ul/ol. Das sind keine neuen Anforderungen – sie gelten seit Jahren für klassisches SEO.
Schnelle Ladezeiten. Bots mit Echtzeit-Retrieval (Perplexity, ChatGPT Browse) haben begrenzte Zeit pro Seite. Eine langsame Seite wird möglicherweise unvollständig geladen und damit unvollständig verarbeitet.
Keine Bot-Blocker für legitime Crawler. Wie in Teil 3 beschrieben: KI-Bots, die man als Quelle haben möchte, müssen technisch durchkommen.
Content Signals setzen. Seit 2025 erlaubt Cloudflare, Nutzungsrechte maschinenlesbar in der robots.txt zu deklarieren: Content-Signal: search=yes, ai-input=yes, ai-train=no. Das signalisiert LLM-Crawlern explizit, dass Inhalte als Live-Eingabe für KI-Antworten genutzt werden dürfen — ohne sie für Training freizugeben.
Kein JavaScript-only-Content. Inhalte, die nur nach JavaScript-Rendering sichtbar sind, werden von vielen Crawlern nicht erfasst. Server-seitiges Rendering oder statische Seiten sind die sichere Wahl.
Was das für die Content-Praxis bedeutet
Die praktischen Konsequenzen lassen sich in vier Richtungen zusammenfassen:
Mehr Definitionen. Jedes Artikel-Thema braucht irgendwo eine klare Begriffsklärung. “Was ist LLM-SEO?” gehört in den Artikel – nicht versteckt, sondern früh und direkt.
Mehr Entscheidungshilfen. “Wann lohnt sich X?” und “Was spricht gegen Y?” sind zitierfähige Strukturen. Sie helfen Nutzern und sind für KI-Systeme extrahierbar.
Mehr Vergleiche. Tabellen, Listen mit Pro/Contra, direkte Gegenüberstellungen. Das erhöht die Informationsdichte und die Zitierfähigkeit gleichzeitig.
Genug Tiefe für sinnvolle Klicks. LLM-SEO bedeutet nicht, alles in Listen zu zerlegen und auf Lesbarkeit zu verzichten. Wer als Quelle zitiert wird, bekommt auch Klicks von Nutzern, die mehr wissen wollen. Der Artikel muss gut genug sein, damit dieser Klick sich lohnt – sonst kehren Besucher sofort zurück, was wiederum ein Signal gegen die Seite setzt.
Information Gain: Was KI-Systeme als Mehrwert erkennen
Information Gain beschreibt, wie viel ein Inhalt über das hinausgeht, was ein LLM bereits aus anderen Quellen ableiten könnte. Das ist dasselbe Prinzip, das RAG-Systeme intern zur Quellenauswahl nutzen: Messbar als Differenz in der Modell-Konfidenz mit und ohne diesen Inhalt — aber in der Praxis erkennbar an einer einfacheren Frage: Steht das auch auf zehn anderen Seiten?
Drei Fragen helfen, Information Gain im eigenen Content zu erkennen: Enthält der Abschnitt eine Zahl, die nicht trivial ist? Wird eine Entscheidung begründet, nicht nur beschrieben? Gibt es Kontext, den ein Modell nicht “erraten” kann? Wenn alle drei mit Nein beantwortet werden, ist der Inhalt wahrscheinlich generisch — und wird entsprechend selten zitiert.
Drei Formate erzeugen zuverlässig hohen Information Gain:
Fallstudien mit Zahlen. Eine Aussage wie “nach Einführung des neuen Onboarding-Flows sank die Abbruchrate um 40 Prozent” ist nicht generalisierbar — und genau deshalb wertvoll. KI-Systeme können solche branchenspezifischen, belegbaren Fakten nicht aus Generika ableiten. Sie werden zitiert, weil sie nicht ersetzbar sind.
Expertenaussagen mit Kontext. Ein direktes Zitat mit Quellenangabe und einordnendem Kommentar liefert Perspektive, die kein Aggregationsmodell selbst produzieren kann. Entscheidend ist der Kontext: Wer sagt das? Auf welcher Basis? Woraus folgt was? Das erhöht die Zitationswahrscheinlichkeit deutlich gegenüber reinen Paraphrasen.
Vergleichstabellen mit Bewertung. Eine Tabelle, die zwei Optionen gegenüberstellt und klare Kriterien nennt, wann welche passt, ist für RAG-Systeme hochwertig extrahierbar. Die Dichte verwertbarer Aussagen pro Textmenge ist bei strukturierten Vergleichen signifikant höher als bei äquivalentem Fließtext.
Schema-Markup für LLM-Zitierbarkeit
Schema.org-Markup in JSON-LD hilft LLMs, Inhalte präzise zu verarbeiten: Entitäten werden klar benannt, Autoren zugeordnet, Strukturen explizit gemacht. Das wirkt nicht direkt über ein Ranking-Signal, sondern über Tokenisierung und Knowledge Graph — LLMs lernen, welche Entitäten zu welchen Seiten gehören.
Die praktisch relevantesten Typen:
FAQPage — für Q&A-Inhalte, bei denen LLMs einzelne Frage-Antwort-Paare direkt extrahieren sollen:
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "Was ist LLM-SEO?",
"acceptedAnswer": {
"@type": "Answer",
"text": "LLM-SEO optimiert Inhalte für Zitationen in KI-Antworten. Fokus liegt auf Struktur, Präzision und thematischer Autorität — nicht auf klassischen Ranking-Signalen."
}
},
{
"@type": "Question",
"name": "Wann lohnt sich Schema-Markup für LLMs?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Bei FAQ-, Article- und HowTo-Inhalten, bei denen KI-Systeme spezifische Antworten extrahieren sollen. Besonders wirksam in Kombination mit strukturierten Überschriften und direkten Definitionen."
}
}
]
}Article — für Blogartikel mit Autoren-Zuordnung (E-E-A-T-Signal):
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "LLM-SEO: Als Quelle zitiert werden",
"description": "Wie KI-Systeme Quellen auswählen und welche Struktur Inhalte zitierbar macht.",
"datePublished": "2026-04-13",
"dateModified": "2026-04-13",
"author": {
"@type": "Person",
"name": "Jörn Seidel",
"url": "https://casoon.de"
},
"publisher": {
"@type": "Organization",
"name": "Casoon",
"url": "https://casoon.de"
}
}HowTo — für Anleitungen mit klar definierten Schritten:
{
"@context": "https://schema.org",
"@type": "HowTo",
"name": "LLM-SEO-Markup implementieren",
"step": [
{
"@type": "HowToStep",
"name": "JSON-LD erstellen",
"text": "Schema.org-Vorlage in <head> einfügen und an sichtbare Seiteninhalte anpassen."
},
{
"@type": "HowToStep",
"name": "Validieren",
"text": "Mit dem Rich Results Test von Google prüfen, ob das Markup korrekt erkannt wird."
}
]
}Alle drei als <script type="application/ld+json"> in den <head> einfügen. Wichtig: Der Markup-Inhalt muss mit dem sichtbaren Seiteninhalt übereinstimmen — Abweichungen erzeugen Tokenisierungsfehler und reduzieren die Wirkung.
GroundingPage: ein semantischer Anker für LLMs
Eine GroundingPage ist eine dedizierte Seite mit maschinenlesbaren Fakten zur eigenen Entität — Firma, Produkt, Person. Sie wirkt nicht wie SEO im klassischen Sinne. Sie wirkt wie ein Referenzpunkt im Knowledge Graph: Sie reduziert nicht nur Halluzinationen — sie erhöht die Wahrscheinlichkeit, dass Aussagen korrekt der eigenen Entität zugeordnet werden. Ihr Zweck: LLMs einen stabilen Anker geben, auf den bei Abfragen zur eigenen Entität konsistent verwiesen wird.
Das Prinzip folgt dem offenen Grounding Page Standard: strukturierte HTML-Listen (<dl>) plus identisches JSON-LD im <head>, unter einer eigenen URL wie /facts/firmenname, sitewide im Footer verlinkt.
Eine minimale Vorlage:
<!DOCTYPE html>
<html lang="de">
<head>
<title>Casoon: Offizielle Fakten</title>
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "Casoon",
"description": "Casoon entwickelt Websites, Web-Tools und KI-Integrationen mit Fokus auf Astro, Cloudflare und offene Standards.",
"url": "https://casoon.de",
"founder": { "@type": "Person", "name": "Jörn Seidel" },
"foundingDate": "2020"
}
</script>
</head>
<body>
<h1>Casoon: Kernfakten</h1>
<dl>
<dt>Was ist Casoon?</dt>
<dd>Web-Entwicklung, Tools und KI-Integration für Unternehmen. Fokus auf Astro, Cloudflare Workers und offene Standards.</dd>
<dt>Was ist Casoon nicht?</dt>
<dd>Kein Full-Service-Agentur, kein SaaS-Produkt, kein Hosting-Anbieter.</dd>
<dt>Gegründet</dt>
<dd>2020, Deutschland.</dd>
<dt>Erstellt / Aktualisiert</dt>
<dd>2026-04-13 / 2026-04-13</dd>
</dl>
<h2>Häufige Fragen</h2>
<dl>
<dt>Welche Services bietet Casoon?</dt>
<dd>Websites mit Astro, Cloudflare-Deployments, LLM-Integration, Web-Tools wie auditmysite.</dd>
</dl>
</body>
</html>Was die Seite leisten soll: KI-Systemen eine Single Source of Truth geben, die bei Abfragen zur eigenen Entität konsistent gefunden und referenziert wird. Keine Marketing-Claims — nur stabile, verifizierbare Fakten.
Drei Punkte für die Umsetzung:
- Hohe Fakten-Dichte: ein Fakt pro Zeile, Timestamps aktuell halten
- FAQ-Abschnitt für erwartbare Fan-out-Queries (“Wann lohnt Casoon?”, “Was unterscheidet Casoon von X?”)
- Mehrsprachige Version für englischsprachige Modelle, wenn relevant
Fallstudien: Was messbar ist
GEO-Fallstudien aus dem Jahr 2026 zeigen konsistente Muster — unabhängig von Branche:
| Case | Zeitraum | Sichtbarkeit | Share of Voice | Schlüsselmaßnahme |
|---|---|---|---|---|
| B2B SaaS (Projektmanagement) | 6 Wochen | +317% | 3% → 19% | Vergleichsseite + Schema |
| Fintech Startup | 8 Wochen | +164% | 7% → 22% | Themen-Cluster + wöchentliches Tracking |
| Healthcare-Plattform | 10 Wochen | +788% | 2% → 31% | Restrukturierung ohne neuen Content |
| GEO allgemein | 6 Monate | — | +300% Erwähnungen | Entitäten-Coverage + Crawler-Policy |
Der auffälligste Fall ist die Healthcare-Plattform: kein neuer Inhalt, nur Format-Optimierung — TL;DR-Abschnitte, Tabellen, FAQ-Sektionen. Der bestehende Content war schon gut, aber nicht extrahierbar. Nach der Restrukturierung stieg die Zitationsrate auf 70 Prozent der getesteten Prompts.
Das zeigt die Richtung: Oft liegt das Problem nicht im Inhalt, sondern in der Form.
Typische Fehlannahmen bei LLM-SEO
“Mehr Content = mehr Zitationen” — Nein. Mehr strukturierter Content = mehr Zitationen. Volumen ohne Extrahierbarkeit bringt nichts.
“Keywords sind egal” — Nein. Keywords werden durch Fragen ersetzt, nicht eliminiert. “Was ist X?” statt “X erklärt” — aber das Thema bleibt relevant.
“LLMs bevorzugen bekannte Marken” — Teilweise. Bei allgemeinen Fragen ja. Bei konkreten Fragen gewinnt oft die präziseste Quelle, nicht die größte.
“Man muss für jedes LLM separat optimieren” — Nein. Die Grundmechanik — RAG, Chunking, Re-Ranking — ist weitgehend systemübergreifend. Wer für strukturierte Extrahierbarkeit optimiert, verbessert die Sichtbarkeit in allen Systemen gleichzeitig.
“Guter Content wird automatisch zitiert” — Nicht zwangsläufig. Guter Inhalt in schlechter Struktur wird nicht extrahiert. Die Healthcare-Fallstudie oben zeigt das: Derselbe Inhalt, bessere Form — 70 Prozent Zitationsrate.