KI-Sichtbarkeit beschreibt, ob und wie oft Deine Marke in KI-generierten Antworten auftaucht, ob

• als zitierte Quelle,
• als Empfehlung oder
• als genannter Anbieter.

Die relevanten Systeme sind aktuell vor allem die Google AI Overviews, ChatGPT (inklusive der Websuche), Perplexity, Microsoft Copilot und Gemini.

Die . Die AI Overviews erscheinen mittlerweile bei einem erheblichen Anteil aller Google-Suchen, ChatGPT zählt Hunderte Millionen aktive Nutzer pro Woche, und ein wachsender Teil der Suchanfragen endet ganz ohne Klick auf eine externe Website.

Die Bots sind ungeduldig. Sie warten nicht auf langsamen Seiten und kämpfen nicht mit komplexen Java Script-Strukturen. Sie geben auf, wenn der Content nicht direkt verständlich ist. Wer also technisch schlecht aufgestellt ist, existiert für die KI-Systeme zu großen Teilen nicht – egal wie gut der Content ist.

Neben den traditionellen Suchmaschinen-Crawlern (Googlebot oder Bingbot), erfassen nun auch KI-spezifische-Crawler (GPTBot, CCBot, OAI-SearchBot, etc.) Deine Website.

Die wichtigsten Bots im Überblick

Einige zählen noch Google-Extended als Bot auf, tatsächlich ist das kein Bot, sondern ein Steuer-Token, welcher die nachgelagerte Datennutzung regelt (taucht daher nicht in den Logfiles auf). Also ob mit dem Inhalt Gemini trainiert werden darf, oder nicht.

Dennoch gilt: Websites, die ihre Inhalte komplett im HTML übergeben, oder Server Side Rendering betreiben, werden vom Googlebot nach wie vor deutlich schneller und effizienter indexiert.

2. Wie KI-Systeme Inhalte aufnehmen und verarbeiten

KI-Bots arbeiten nach einer anderen Logik als klassische Suchmaschinen, denn: Hier geht es mehr um Beziehungen von Entitäten.

Erfassen von Informationen  à Umwandlung in Vektoren à  kombinieren / vereinen / verknüpfen von Inhalten  

• Ingestion – Erfassen von Informationen:

Der Crawler erfasst Inhalte einer Seite, um den Text als Rohmaterial für Sprachmodelle zu sammeln und nicht primär, um sie in einem Index nach Keywords zu sortieren, wie bei klassischen Suchmaschinen. Dabei wird der eigentliche Bedeutungsgehalt extrahiert: Fließtext, Aussagen, Fakten, Zusammenhänge. HTML-Struktur, Navigationselemente oder Keyword-Verwendung spielen eine geringere Rolle als bei klassischen Suchmaschinen.

Wichtig ist, ob der Inhalt klar, eigenständig verständlich und faktisch verwertbar ist.

• Embedding – Umwandlung in Vektoren

Der aufgenommene Text wird in Vektoren umgewandelt, also in numerische Werte, die die Bedeutung abbilden und Vergleiche ermöglichen. Inhalte mit ähnlicher Bedeutung liegen im Vektorraum nahe beieinander, unabhängig von der konkreten Wortwahl. Auch wenn semantische Nähe durchaus für klassische Suchmaschinenbots relevant ist und von ihnen bewertet wird, bleibt dort die klassische Keyword-Optimierung weiterhin wichtig.

Starke Vereinfachung von Vektoren (Dall E).

• Synthetisieren – kombinieren, vereinfachen und verknüpfen von Inhalten

Statt eine Liste von Links auszugeben, kombiniert das Modell Informationen aus mehreren Quellen zu einer einzigen, zusammenhängenden Antwort. Es zitiert, verknüpft und formuliert komplett neue Inhalte. Eine Seite „rankt“ hier nicht im klassischen Sinne, sie wird entweder als Quelle in die Antwort eingewoben oder nicht.

Dabei werden KI-Crawler in zwei Arten eingeteilt:

• Trainings-Crawler: Diese sammeln Informationen für das Training des Sprachmodells (darunter z. B. GPTBot (OpenAI), ClaudeBot (Anthropic) und CCBot (Common Crawl)).
• Such- und Retrieval-Bots: Besorgen sich Inhalte in Echtzeit, um sie in einer konkreten Antwort zu zitieren (z. B. OAI-SearchBot, ChatGPT-User (OpenAI), Claude-SearchBot bzw. Claude-User (Anthropic) und PerplexityBot).

LLMs beziehen ihr Wissen aus zwei Quellen:

1. aus ihren Trainingsdaten und
2. aus der Live-Recherche im Web zum Zeitpunkt der Anfrage.

Beide Wege führen über Crawler, die die Domain besuchen, den Inhalt einlesen und weiterverarbeiten.

Und hier liegt der Knackpunkt: Diese Crawler sind in vielerlei Hinsicht anspruchsvoller und gleichzeitig „dümmer“ als der gute alte Googlebot.

Die größte Bremse ist, wenn die KI-Bots keinen Zugriff auf die Inhalte haben.

Das Thema Pagespeed ist aus zwei Gesichtspunkten wichtig, dem RAG-Index und dem tatsächlichen Echtzeit-Abruf beim Zitieren.

1. Pagespeed und der KI-Index:

Suchmaschinen vergeben ein bestimmtes Crawl-Budget. Dabei handelt es sich um ein Zeitfenster, was je nach Domaingröße und Aktualität sehr unterschiedlich ausfallen kann. Ist nun eine Domain extrem langsam, können nur wenige URLs in dieser Zeit verarbeitet werden. Und wenn regelmäßig Fehler ausgespielt werden, brechen die Crawler den Besuch ab und kommen seltener wieder.

Pagespeed beeinflusst nicht direkt die KI-Sichtbarkeit, aber die Sichtbarkeit in den klassischen Suchmaschinen.

2. Pagespeed und der Echtzeit-Abruf beim Zitieren:

ChatGPT Search, Perplexity, Google AI Overviews und Bing Copilot rufen Seiten in Echtzeit ab. Dieser Abruf ist deutlich ungeduldiger als der Googlebot: KI-Crawler arbeiten mit knappen Timeouts von ein bis fünf Sekunden; lädt die Seite zu langsam, überspringen sie diese komplett und wechseln zu anderen, schnelleren Wettbewerbern.

Die Konsequenz: Wenn die Suchbots beim Abruf in einen Timeout laufen, wird diese URL nie als Quelle hinterlegt, egal, wie gut sie ist.

Fazit: Kümmere Dich um Deine Core Web Vitals und um eine solide Server-Performance. Das zahlt doppelt ein: Es verbessert die Nutzererfahrung (und damit klassisches SEO) und sorgt dafür, dass die Bots Deine Inhalte zitieren können.

Aber LLMs crawlen doch gar keine strukturierten Daten! Stimmt nur zum Teil, denn so einfach ist das nicht. Um zu verstehen, was genau da passiert, musst Du etwas tiefer in die Funktionsweise von LLMs und deren Crawlern einsteigen:

Wie das mit LLMs und strukturierten Daten wirklich ist

LLMs haben keinen dedizierten Mechanismus, um JSON-LD als strukturierte Daten auszuwerten, sie arbeiten mit Text. Strukturierte Daten werden aber im Voraus vom Crawler verarbeitet und fließen so in den Suchindex bzw. die Wissens- und Entitätsgraphen ein, aus denen KI-Systeme bei der Beantwortung ihre Quellen ziehen.

Wie es funktioniert:

• Crawler = sammelt und strukturiert im Voraus.
• RAG = wählt zur Anfragezeit passende Quellen aus und liefert die Belege.
• Sprachmodell = formuliert aus den gelieferten Quellen die Antwort.

Somit sind strukturierte Daten eines von vielen Kriterien, die LLMs helfen, thematische Autoritäten einzuschätzen und die Entitäts- und Inhaltsklarheit zu verstehen. Sie verbessern die inhaltliche Zuordnung und erhöhen die faktische Genauigkeit bei KI-Antworten.

Markups und Einbindung von strukturierten Daten

Als Google im Mai 2026 die Unterstützung der FAQPages Auszeichnung für beendet erklärte, war die Aufregung groß und ein vermeitliches Gegenargument geschaffen. Google verwendet das Markup jedoch weiterhin, um die Seiten besser zu verstehen. Somit hat das Markup weiterhin seine Relevanz.

Bei der Einbindung der strukturierten Daten ist zu beachten, dass:

• JSON-LD zu bevorzugen ist – JSON-LD wird geparst.
• keine Java Script Injection stattfindet – Java Script wird nicht geparst.

Folgende Markups können positive Effekte auf die KI-Sichtbarkeit haben:

1. Organization: Definiert eine Marke als eigenständige Entität. Ohne das Markup ist der Firmenname für eine KI nur Text. Das Markup vereinfacht es KI-Systemen zu verstehen, dass es sich um eine Marke handelt.
   • Wirkungsvoller Hebel ist die Verwendung der sameAs-Eigenschaft: Diese verweist auf weitere verifizierte Profile (Wikipedia, LinkedIn, etc.) und verankert die Marke im Wissensgraphen. Das Markup sollte site-weit ausgespielt werden.
2. Article (bzw. BlogPosting): Liefert Autoren- und Aktualitätssignale und kann die Glaubwürdigkeit steigern.
   • Wichtige Felder sind: author, datePublished und vor allem dateModified, gerade Letzteres, da es Aktualität signalisiert und diese gewichten KI-Suchsysteme stark.
3. FAQPage: Frage-Antwort-Paare spiegeln genau das, was ein LLM ausgibt. Das Markup strukturiert Antworten für die direkte KI-Extraktion und wird mit deutlich höheren Zitationsraten in Verbindung gebracht.
   • Wichtig zu beachten: Es sollte nur für „echte“ FAQs verwendet werden, handelt es sich eher um einen „Verkaufsblock“, kann das das Vertrauen schwächen.
4. Product: Erhöht die Sichtbarkeit für transaktionale Anfragen und enthält Preis, Bewertungen und Verfügbarkeit, alles Signale, die die KI nutzt, wenn Nutzer nach „dem besten XY“ fragen.
5. Weitere sinnvolle Auszeichnungen
   • Person: als Teil von Organization stärkt sie EEAT über Autorenprofile.
   • LocalBusiness: falls ein geografisches Einzugsgebiet bedient wird.
   • BreadcrumbList – hilft der KI, die Position einer Seite in der Website-Struktur zu verstehen.
   • HowTo: für echte Schritt-für-Schritt-Anleitungen.

Einordnung der Relevanz strukturierter Daten für LLMs

KIs verwenden strukturierte Daten, damit sie ihren Antworten Quellen zuordnen können. Bestenfalls verbessert die Einbindung strukturierter Daten die Sichtbarkeit bei KIs, im schlechtesten Fall passiert gar nichts.

Fazit: Strukturierte Daten übersetzen den Content in eine Sprache, die KI-Systeme direkt verarbeiten können ohne zu raten. Das erhöht die Chance, dass Deine Informationen korrekt verstanden und in einer Antwort verwendet werden.

Tiefe und Struktur zusammen machen Dich zitierbar und beides benötigt ein technisches Gerüst, das die einzelnen Bausteine sauber auslesbar macht.

Klare HTML-Struktur und zitierwürdige Inhalte

Hier hilft es darauf zu schauen, wie KI-Systeme Websites beim Beantworten verarbeiten. Denn sie lesen die URLs in der Regel nicht von oben bis unten, sondern ziehen sich gezielt Passagen, welche zur Nutzerfrage passen (auch wenn der Rest der Seite um etwas ganz anderes geht). Retrieval funktioniert auf Absatz-Ebene, nicht auf Seiten-Ebene. Genau deshalb bevorzugen diese Systeme Inhalte, die sich leicht in saubere, in sich abgeschlossene Häppchen zerlegen lassen („Chunks“).

Dafür ist eine klare semantische HTML-Struktur die Voraussetzung:

• Saubere Überschriften-Hierarchie: eine H1, darunter sinnvolle H2 und H3
• Textliche Inhalte:
  • strukturierte Absätze
  • Fragen und Antworten
  • Listen und Tabellen statt Text in Bildern.

Dies erleichtert es KI-Crawlern einen einzelnen Abschnitt eindeutig zu erfassen und als Zitat zu verwenden. Das steht in keinem Widerspruch zur thematischen Tiefe von Inhalten. , dass vor allem in den AI Overviews Inhalte zitiert werden, die Themen sehr umfassend abdecken. Daher müssen Themen umfassend behandelt und gleichzeitig in klar abgegrenzte, eigenständige Abschnitte gegliedert sein.

Tipp: Frage Dich, wenn ein einzelner Absatz aus dem Kontext gerissen wird, ergibt er dann immer noch eine vollständige, korrekte Antwort? Dann ist er gut „zitierbar“.

Saubere Indexierung: Sitemaps, Canonicals, Statuscodes

Die Klassiker bleiben unverändert relevant. KI-Systeme ziehen ihre Quellen aus den klassischen Indizes, somit muss die Indexierung im klassischen SEO passen, denn sonst kommt Deine Seite nicht in den Pool, aus welchem zitiert wird. Somit ist eine saubere Indexierung kein „nice-to-have“die KI-Antworten.

Must-Haves sind:

• eine aktuelle XML-Sitemap,
• korrekte Canonical-Tags,
• saubere Statuscodes und
• keine unnötigen Weiterleitungsketten.

Noch relevanter ist, dass die Sitemap bestenfalls nicht nur in der Google Search Console, sondern auch in den Bing Webmaster Tools (Quelle für ChatGPT und teils bei Perplexity) eingereicht ist.

Fazit: Doppelte Inhalte, kaputte Links oder widersprüchliche Indexierungs-Signale verwirren jeden Crawler und kosten Dich im Zweifel die saubere, eindeutige URL, die zitiert werden könnte. Was Google durcheinanderbringt, bringt eine KI erst recht durcheinander.

Die llms.txt ist eine Textdatei im Rootverzeichnis der Domain, welche KI-Systemen wichtige Fakten und Einstiegspunkte der Website bereitstellt. Dahinter steht die Idee: Statt sich mühsam durch unzählige URLs zu crawlen, bekommt der Crawler die wichtigsten Informationen in einem Aufwasch.

Bisher wurde die Nutzung der llms.txt nicht von KI-Anbietern bestätigt, somit ist ein Nutzen völlig unklar. Wenn eine KI die Datei benötigt, um den Inhalt einer Domain zu verstehen, solltest Du primär die gesamte Website überarbeiten.

Natürlich gibt es weitere Verbesserungsmöglichkeiten, die nicht unter das klassische „technische SEO“ fallen. Teilweise sind sie stark umstritten, hier einige der derzeit aktuellen Vorgehensweisen:

Groundingpage

Ein Thema, das in der SEO-Szene heiß diskutiert wird, ist die Grounding Page. Vereinfacht gesagt ist das eine bewusst nüchterne, faktenorientierte Seite, die einer KI eine eindeutige, zitierfähige Quelle hinsichtlich der Marke, des Unternehmens oder einer Person liefern soll.

Kurz: Sie soll eindeutig erklären, wer oder was die Entität ist und wovon sie sich abgrenzt. Ziel ist es, Verwechslungen und Halluzinationen vorzubeugen. Das Konzept ist allerdings umstritten.

Gut zu wissen: Das Konzept geht auf einen offenen Standard des SEO-Experten Hanns Kronenberg zurück und gehört klar in den Bereich GEO bzw. Entity-SEO und nicht ins technische SEO.

Authority durch Referenzierungen von Drittquellen (Linkbuilding)

KI-Systeme bewerten die Qualität einer Information (oder Marke) dadurch, dass sie die Fakten und Erwähnungen über viele unabhängige Quellen hinweg wiederfinden. Je öfter und je konsistenter Informationen im Web erwähnt, verlinkt und zitiert werden, desto wahrscheinlicher ziehen LLMs diese Information als verlässliche Quelle heran.

Wichtig: Es geht hier nicht um klassischen, bezahlten Link-Aufbau (dieser verstößt gegen die Google-Richtlinien und kann im schlimmsten Fall sogar schaden). Gemeint sind natürlich gewachsene Referenzen: echte Erwähnungen in der Fachpresse, hochwertige Gastbeiträge, Studien oder Daten, die andere freiwillig zitieren, Branchenverzeichnisse, Interviews oder Nennungen auf reichweitenstarken, themenrelevanten Seiten. Auch die reine Erwähnung des Marken- oder Produktnamens ist hilfreich, ganz ohne Link.

Einordnung: Diese Maßnahmen sind als Verstärker zu betrachten. Ohne ein sauberes technisches Fundament können sie ihre Wirkung nicht entfalten.

Fazit: KI-Sichtbarkeit geht nicht ohne SEO

Grundsätzlich ist die Begeisterung für GEO- und KI-Optimierung nachvollziehbar. Es ist ein neues, schnell wachsendes Feld und bringt frischen Wind in den Markt. Aber: Um eine hohe Sichtbarkeit in den LLMs zu haben, sind meist klassische SEO-Optimierungen nötig. Bremsen bezüglich KI-Sichtbarkeit sind beispielsweise:

• technische SEO-Probleme
• blockierte Suchbots
• Content, der nur per Java Script erscheint
• eine instabile, langsame Seite
• fehlende oder suboptimale Struktur

Somit ist SEO nicht tot, sondern gerade technisches SEO stellt wichtige Hebel für die LLM-Sichtbarkeit bereit. Können die Bots die Domain nicht erreichen, verarbeiten und verstehen, ist die perfekte Content-Strategie hinfällig.

Bildrechte: Titelbild, Bild 1 & 3 erstellt mit DALL E (ChatGPT), Bild 2: eigene Grafik von Seokratie GmbH / Stefanie Niggemann.