Wer in ChatGPT auftaucht, gewinnt — aber nicht mit den Methoden von gestern

Letzte Woche saß ich mit einem Kunden in einer Teams-Sitzung, der mir aufgeregt erzählte, seine Marke sei jetzt „auf Platz 1 bei ChatGPT“. Ich habe nachgefragt. Die Wahrheit: Er hatte einen einzigen Prompt eingetippt, einmal, an einem Dienstagmorgen. Das ist nicht Messung. Das ist Glück.

Ich beobachte seit gut eineinhalb Jahren, wie sich die Frage, die sich Unternehmen stellen, verschoben hat. Früher: Wie ranke ich bei Google? Heute kommt zunehmend dazu: Wie komme ich in die Antworten von ChatGPT, Copilot, Gemini, Perplexity? Die kurze, unbefriedigende Antwort: anders. Klassische Suchmaschinenoptimierung bleibt die Grundlage. Ohne saubere Crawlability, ohne Struktur, ohne klare Antworten funktioniert gar nichts. Aber sie reicht nicht mehr aus, um auch in den generativen Systemen sichtbar zu sein. AI-Sichtbarkeit ist eine eigenständige Disziplin neben SEO, verwandt, aber mit eigenen Methoden und eigenen Kennzahlen. Beides in einen Topf zu werfen heißt, für das falsche System zu optimieren.

Ein Feld ohne Namen — und ohne Handbuch

Als ich mich Mitte 2024 systematisch damit beschäftigte, wie Marken in KI-Antworten auftauchen, gab es dafür keinen etablierten Branchen-Begriff. AEO, AI SEO, LLM-Visibility, alles kursierte, nichts hatte sich durchgesetzt. Der Begriff GEO (Generative Engine Optimization) etablierte sich erst gegen Ende 2024. Deshalb stammen heute noch so viele Ratschläge eher aus der Bauchgeometrie als aus Evidenz. Wir bewegen uns in einer Art neuem Wilden Westen. Manche Methoden werden in zwei Jahren verschwunden sein. Andere, die ich für die belastbareren halte, werden bleiben.

Das grundlegende Problem: Die Systeme sind für externe Beobachter Blackboxes. Modellgewichte und Trainingsdaten sind proprietär. Man muss sich von außen annähern: Prompts senden, Antworten sammeln, statistisch auswerten, Muster erkennen. Hochlevel-Architekturen sind teilweise in Papern dokumentiert, aber für jemanden, der praktisch optimieren will, bleibt das Modell eine Blackbox. Nicht dramatisch. Ehrlich.

Die Wahrscheinlichkeits-Optik — warum „Platz 1″ die falsche Metapher ist

Hier ist der erste Denkfehler: Unternehmen übertragen das Ranking-Denken aus dem klassischen SEO eins zu eins auf KI-Antworten. Aber ein LLM nennt Marken probabilistisch, nicht positional. Es gibt kein stabiles „Platz 1″ in einer ChatGPT-Antwort. Eine Marke wird in Antwort A prominent genannt, in Antwort B am Rand, in Antwort C gar nicht, bei ähnlichem Prompt. Wer absolute Nutzungszahlen oder feste Positionen verspricht, sollte Quellen und Methodik offenlegen. AI-Sichtbarkeit ist probabilistisch, die ehrliche Annäherung ist ein Cluster-basierter Wahrscheinlichkeits-Index: Über hundert Prompts und mehrere Intent-Kategorien hinweg wird gemessen, wie häufig und wie prominent eine Marke auftaucht. Clickstream-basierte Schätzungen aus Browser-Plugin-Panels existieren, sind aber teuer, mit Sampling-Bias behaftet und datenschutzrechtlich fragwürdig. Viele Praktiker, mich eingeschlossen, setzen auf direkte, prompt-basierte Messung.

Bevor man Content baut: Prompt-Recherche

Diesen Schritt überspringen die meisten. Bevor Sie eine einzige Seite für AI-Sichtbarkeit umschreiben, müssen Sie wissen, welche Fragen Ihre Zielgruppe tatsächlich in ChatGPT oder Perplexity eintippt. Nicht welche Keywords Sie in der Search Console sehen, sondern welche Prompts. Systematische Prompt-Recherche ist eine methodische Disziplin: Themenfelder aufdröseln, nach Intent-Kategorien trennen (informational, kommerziell, transaktional), Märkte und Sprachen berücksichtigen, die häufigsten Fragestellungen je Kategorie identifizieren. Große Unternehmen bringen oft eigene Prompt-Listen aus Kundengesprächen mit. Für KMU ist das schwieriger. Aber genau deshalb ist es der Hebel, den fast niemand systematisch nutzt.

Ein Beispiel aus der Praxis: Ein Mittelständler aus dem Portfolio optimiert monatelang für „Bester Anbieter für X“, einen kommerziellen Prompt mit hoher Konkurrenz. Gleichzeitig gibt es dutzende informationsorientierte Prompts wie „Wie funktioniert X“ oder „Worauf achten bei X“, bei denen die Konkurrenz dünn ist und eine Ratgeberseite deutlich häufiger zitiert wird als eine Landingpage. Wer nur den kommerziellen Prompt misst, sieht ein schwaches Bild. Wer das Cluster misst, sieht den echten Hebel.

Was die Systeme zitieren — und warum es je Plattform unterschiedlich ist

Eine der robustesten Beobachtungen: Die Quellen, die KI-Systeme heranziehen, variieren stark zwischen den Modellen. Bei ChatGPT gehören Reddit, Wikipedia und große Tech-Medien, darunter Ars Technica und TechRadar, zu den häufig zitierten Quellen. Dominierend ist ein Mix aus Wikipedia, Reddit, Forbes, LinkedIn und Business-Seiten. Bei Copilot, das auf dem Bing-Index basiert, dominieren allgemeine Web- und Nachrichtenquellen; bei SEO-spezifischen Anfragen tauchen Plattformen wie Semrush oder Ahrefs als Quellen auf, bei generellen Fragen nicht. Über alle Systeme betrachtet gehören YouTube und Reddit zu den besonders starken Quellen. Die Gewichtung variiert aber von Modell zu Modell deutlich. Copilot tendiert zu kompakteren Antworten mit kürzeren Quelllisten, ChatGPT bettet in der Regel mehr Quellen ein; eine exakte quantifizierte Gegenüberstellung fehlt bislang.

ChatGPT und Copilot basieren auf derselben OpenAI-Technologie, aber eine Optimierung für das eine System überträgt sich nicht automatisch auf das andere. System-Prompts, Suchmechanismen und Webindizes unterscheiden sich. Wer AI-Visibility ernst nimmt, muss pro Plattform messen.

Onsite und Offsite — die zwei Hebel, in der richtigen Reihenfolge

Die Basis-Best-Practice, die sich quer durch alle unabhängigen Quellen bestätigt: Zuerst den eigenen Content prüfen. Ist das, was dort steht, für ein Sprachmodell verständlich strukturiert? Strukturierte Informationsseiten, Factsheets, antwort-orientierte Landingpages mit klaren Headings, FAQ-Blöcken und Schema-Markup werden nachweislich häufiger zitiert. Dokumentiert, nicht spekulativ.

Gleichzeitig, und das ist der Hebel, den KMU am häufigsten unterschätzen, muss man wissen, welche autoritativen Quellen es außerhalb der eigenen Plattform gibt. Die KI übernimmt Informationen häufig direkt aus solchen Quellen. Wenn ich erkenne, dass für mein Thema bestimmte Publikationen oder Branchenportale relevant sind, kann ich gezielt dort stattfinden: durch Beiträge, Kooperationen, PR. Bei kleinen und mittelständischen Unternehmen würde ich zunächst auf Offsite-Maßnahmen setzen: die wichtigsten Quellen identifizieren, gezielt PR betreiben, die Marke in autoritativen Quellen sichtbar machen. Parallel, nicht danach, den eigenen Content optimieren.

Eine konkrete Onsite-Taktik: Seiten erstellen, die gezielt eine einzelne Frage beantworten, mit einer Überschrift, die der Frage entspricht. Dass die Suchanfrage in der URL steht, ist eine klassische SEO-Regel, die nicht schadet. Für AI-Zitierungen ist aber die antwort-orientierte Struktur entscheidend. Eine Beobachtung, die mich selbst überrascht hat: Alte SEO-Regeln funktionieren im KI-Zeitalter erstaunlich gut. Klar strukturierte Inhalte, die eine konkrete Frage direkt beantworten, sind nach wie vor ausgesprochen wirksam. Google bestätigt, dass AI Overviews auf den Core-Ranking-Systemen aufbauen. Wer klassisches SEO sauber macht, legt das Fundament für AI-Sichtbarkeit mit.

Speziell für LLM-Crawler aufbereitete Fakten-Seiten, mit llms.txt, strukturierten Daten und antwort-orientierten Blöcken, werden von KI-Systemen gut erfasst. Etabliert ist dabei das dual-use-Prinzip: Inhalte, die sowohl für Menschen als auch für Maschinen gut lesbar sind.

Das Fan-Out-Konzept — was ChatGPT hinter den Kulissen macht

Wenn jemand nach „dem besten digitalen Bilderrahmen“ fragt, führt ChatGPT intern mehrere Suchanfragen aus. Das Verfahren heißt Query Fan-Out, und es ist gut dokumentiert. ChatGPT, Google AI Mode und Perplexity zerlegen einen User-Prompt in mehrere Sub-Queries, die über das Network-Tab einsehbar sind. Wer sie sammelt und auswertet, sieht, welche Themen und Begriffe für die KI besonders relevant sind, und kann Content genau dort verstärken.

Sentiment und Fehlwahrnehmungen

Ein Aspekt, den ich für unterschätzt halte: Man kann gezielt nach Fehlwahrnehmungen suchen. Alle Aussagen eines KI-Systems zu einer Marke lassen sich auf Sentiment prüfen. Wenn ein negatives Statement immer wieder auftaucht, kann man bis zur ursprünglichen Quelle zurückverfolgen und dort ansetzen. Prompt-Sets sind ohnehin iterativ. Eine Regionalbank aus dem Portfolio startet mit einem Grund-Set, stellt nach Wochen fest, dass „Kreditkarten für Auszubildende“ ebenfalls relevant ist, ergänzt das Thema. Prompt-Sets entwickeln sich kontinuierlich weiter, genauso wie die Systeme, die sie befragen.

Listicles, Bezahl-Angebote und der lokale Arbitrage-Markt

Listicles sind nicht per se schlecht. Eine 25.000-URL-Studie zeigt: AI-Systeme zitieren Listen häufig. Problematisch wird es, wenn Listen vor allem dazu dienen, den eigenen Anbieter auf Platz eins zu setzen. Solche Konstruktionen werden zunehmend erkannt. Was ich darüber hinaus beobachte: Betreiber produzieren gezielt Inhalte, um Autorität in AI Search aufzubauen. Dass daraus Bezahl-Angebote entstehen, ist eine beobachtbare Marktdynamik. Da AI-Systeme aber earned/non-paid Quellen favorisieren (rund 94 Prozent der AI-Zitate stammen aus nicht-bezahlten Quellen), ist bezahlte Inklusion offenbar weniger wirksam als im klassischen SEO. Wer sich darauf verlässt, brennt Geld.

Sichtbarkeit entscheidet inzwischen stark über Erfolg. Das kennen wir aus dem lokalen SEO: rank-and-rent-Modelle, Lead-Broker. Bei KI-Systemen ist das Grundmuster dasselbe: Wer auftaucht, gewinnt. Wer nicht auftaucht, existiert in der Wahrnehmung des Nutzers, der seine Frage an ChatGPT stellt, schlicht nicht.

Der DSGVO-Aspekt — und eine offene strategische Frage

Als Datenschutzbeauftragter muss ich den Punkt ansprechen, den viele AI-SEO-Beiträge auslassen. KI-Crawler wie GPTBot, ClaudeBot, PerplexityBot und Google-Extended greifen Inhalte ab, teilweise bevor ein Consent-Banner geladen ist. Wer AI-Crawler in der robots.txt sperrt, um DSGVO-Konformität sicherzustellen, opfert AI-Sichtbarkeit. Wer sie zulässt, sollte wissen: Inhalte landen in Trainingsdaten und Retrieval-Indizes, ohne verbrieftes Recht auf Verlinkung. Ein solches Recht existiert bislang weder in der EU noch in den USA. Die laufende Regulierung (EU AI Act, US-Staatsgesetze) fokussiert auf Risiko, Transparenz und Trainingsdaten, nicht auf Attribution. Ob es künftig spezifische Regulierung braucht, ist politisch offen.

Strategisch relevant wird das beim Model Context Protocol: Wer hochwertige Informationen direkt an KI-Systeme liefert, muss beachten, dass die Kundenbeziehung sich potenziell in Richtung der Plattformen verschiebt. Ein Risiko, das in MCP-Sicherheitsdiskursen zunehmend thematisiert wird. Wenn Sie als Experte Ratgeber-Content produzieren und als Quelle prominent genannt werden, profitieren Sichtbarkeit und Autorität. Wenn Ihre Inhalte genutzt werden, ohne dass Ihre Marke erscheint, überdenken Sie die Strategie. Die Frage ist nicht: „Soll ich Content für KI produzieren?“ sondern: „Wird meine Marke genannt, wenn meine Inhalte genutzt werden?“

Dynamik und Anfälligkeit

KI-Antworten verändern sich schnell, wenn autoritative Quellen ihre Inhalte anpassen. Die Branchen-Empfehlung ist tägliches Monitoring, was auf Veränderungszeiträume von Stunden bis Tagen hindeutet. Chance und Risiko zugleich. Die Systeme sind dynamisch und anfällig: Bewusstes Füttern mit falschen Informationen kann in Antworten auftauchen. Data Poisoning und Prompt Injection sind dokumentierte Risiken.

KI-Systeme können mit Profil- und Kontextdaten mittlerweile recht gut simulieren, welche Art von Nutzer eine Anfrage stellt. Synthetische Personen, sogenannte digitale Zwillinge, sind ein aktives Forschungsfeld. Allein aus einer einzelnen Query ohne Kontext erschließen sich Nutzertypen aber nicht verlässlich. Wer hier mehr will, muss Daten haben. Und dann sind wir wieder beim Datenschutz.

Wo wir stehen

Große SEO-Suiten wie Semrush und Ahrefs haben AI-Visibility-Features erst 2025 bis 2026 hinzugefügt. Spät im Verhältnis zum Aufkommen generativer Suchmaschinen. Die ersten Lösungen bewegten sich auf Basis-Niveau: Tracking einzelner Plattformen, reine Nennungs-Zählung. Tiefere Multi-Plattform-Analyse kam erst danach. In dem Markt steckt ein gewisser Hype. Niemand weiß sicher, wie die Situation in zwei Jahren aussieht. Wer heute vollflächig auf AI-Visibility umstellt und klassisches SEO vernachlässigt, baut auf Sand. Wer klassisches SEO pflegt und AI-Sichtbarkeit als zusätzliche Schicht darüber legt, ist auf dem robusteren Weg.

Für mich gilt: Wer in ChatGPT auftaucht, gewinnt — aber nicht mit den Methoden von gestern, und nicht mit der Messung von einmal am Dienstagmorgen. Wer mit mir darüber sprechen will, weiß, wo er mich findet.