Prompt-Architektur verstehen: Wie LLMs Fragen interpretieren

Was ist Prompt-Architektur, und warum reagieren KI-Systeme unterschiedlich auf Fragetypen?

Prompt-Architektur bezeichnet die Struktur, mit der KI-Systeme wie ChatGPT, Claude, Gemini und Perplexity aus einer Nutzerfrage eine Absicht ableiten; und diese Absicht entscheidet, welche Quellen die KI heranzieht und wie sie die Antwort aufbaut. 

Die Idee ist nicht neu: Der IBM-Forscher Andrei Broder unterschied bereits zwischen navigationalen, informationalen und transaktionalen Suchanfragen (Broder, 2002). Ein Modell, das im klassischen SEO jahrzehntelang die Content-Planung bestimmte. KI-Systeme übernehmen dieses Grundgerüst und erweitern es: Zwei zusätzliche Kategorien, vergleichende und lokale beziehungsweise Nischen-Anfragen, bilden inzwischen den Standard, mit dem sich KI-Sichtbarkeit systematisch prüfen lässt. 

Ganz trennscharf bleibt die Einteilung dabei nicht: Manche Forscher argumentieren, moderne Sprachmodelle berechnen Absicht eher als kontinuierlichen Wahrscheinlichkeitsraum statt als feste Kategorie (Vats, 2026). Für die Content-Praxis bleiben die fünf Typen trotzdem die brauchbarste Landkarte: sie zeigen, wonach ein Nutzer mit seiner Frage tatsächlich sucht, und welcher Inhalt deshalb eine Chance hat, zitiert zu werden..

Welche fünf Prompt-Typen unterscheiden KI-Systeme?

Jeder Prompt-Typ verrät eine andere Phase der Kundenreise und verlangt deshalb eine andere Antwort der KI:

Wie stark einzelne Typen im Alltag vorkommen, zeigt eine Befragung von 1.927 US-Konsument:innen: Über 70 Prozent nutzen KI-gestützte Suche zuerst in der Markenbewusstsein-Phase für informationelle Fragen, bevor vergleichende und transaktionale Prompts in der Entscheidungsphase folgen. (McKinsey & Company, 2025). Genau diese Reihenfolge erklärt, warum informierender Content in den meisten Content-Strategien am höchsten gewichtet wird: Er ist der häufigste Einstiegspunkt, bevor eine KI-Antwort überhaupt zu einer Marke findet.

Wie zerlegt eine KI eine einzelne Frage in mehrere Teilfragen?

Google und andere KI-Suchsysteme zerlegen komplexe Prompts in mehrere Teilfragen, bevor sie eine Antwort formulieren. Dieser Prozess heisst Query Fan-Out. Eine einzelne Nutzerfrage löst dabei acht bis über zwanzig parallele Hintergrundsuchen aus, je nach Komplexität (Paruch, Semrush, 2026). 

Elizabeth Reid, Leiterin der Google-Suche, beschreibt den Ablauf so: Die Suche erkenne, wenn eine Frage fortgeschrittenes Schlussfolgern brauche, zerlege sie über ein angepasstes Gemini-Modell in Unterthemen und stelle mehrere Anfragen gleichzeitig (Reid, zitiert in Paruch, Semrush, 2026). 

Für die Praxis bedeutet das: Ein Prompt wie „Beste Wärmepumpe für ein Einfamilienhaus im Altbau in Bayern“ enthält gleich drei Prompt-Typen auf einmal: informationell (wie funktioniert die Technik), vergleichsbasiert (welche Anbieter schneiden gut ab) und ortsbasiert (Region Bayern). Die KI beantwortet jeden Teil einzeln und setzt die Antwort danach zusammen. Content, der nur einen dieser Aspekte abdeckt, liefert lediglich einen Baustein der Antwort. Die vollständige Abdeckung erhöht die Chance auf Zitierung in mehreren Teilfragen gleichzeitig.

Welche Inhalte zitieren KI-Systeme bei welchem Prompt-Typ?

KI-Systeme zitieren die Quelle, die semantisch am genauesten zur gestellten Absicht passt, nicht zwangsläufig, die mit den meisten Backlinks. Eine Auswertung von 1,4 Millionen ChatGPT-Prompts zeigt: Zitierte Seiten erreichen im Schnitt eine semantische Ähnlichkeit von 0,602 zum Prompt, nicht zitierte nur 0,484 (Linehan und Guan, Ahrefs, 2026). 

ChatGPT ruft dabei deutlich mehr Seiten ab, als es am Ende zitiert: Über 88 Prozent der tatsächlichen Zitate stammen aus klassischen Suchergebnissen, während Reddit trotz häufigen Abrufs kaum Erwähnung findet – fast 68 Prozent der nicht zitierten URLs stammen von dort (Linehan und Guan, Ahrefs, 2026). 

Technische Details spielen ebenfalls eine Rolle: Seiten mit sprechenden URL-Slugs statt kryptischer Zeichenfolgen erreichen eine Zitationsrate von knapp 90 Prozent, gegenüber gut 81 Prozent bei technischen URLs. 

Für die fünf Prompt-Typen heisst das: Je genauer eine Seite exakt die gestellte Absicht bedient – die konkrete Vergleichsfrage, die konkrete Ortsangabe, die konkrete Definition –, desto höher die Chance, dass die KI sie in die engere Auswahl nimmt. Wie KI-Systeme ihre Quellen auswählen und warum Ihr Content nicht dabei ist beschreibt diese Mechanik im Detail.

Wie sollte eine Content-Strategie auf die fünf Prompt-Typen reagieren?

Fünf Prompt-Typen bedeuten fünf unterschiedliche Content-Aufgaben:

• Navigation absichern: Über-uns-Seiten, Schema.org-Markup und konsistente Fakten sorgen dafür, dass die KI eine bereits bekannte Marke korrekt wiedergibt. Das ist die Grundvoraussetzung.
• Informativ aufbauen: Fachartikel, Glossare und FAQ-Sektionen liefern die inhaltliche Tiefe, aus der KI-Systeme Themen-Expertise ableiten. Hierhin gehört der größte Teil der Content-Investition.
• Transaktional bedienen: Entscheidungs-Landingpages mit klaren Empfehlungssätzen geben der KI die konkrete Formulierung, die sie bei transaktionalen Prompts zitieren kann.
• Vergleichend besetzen: Explizite Vergleichsseiten mit strukturierten Tabellen schlagen verstreute Erwähnungen. KI-Systeme extrahieren tabellarische Gegenüberstellungen zuverlässiger als Fliesstext.
• Local/Niche gezielt ansprechen: Wer nur allgemeine Kategorie-Seiten betreibt, verliert gegen Wettbewerber mit expliziten Regional- oder Nischenseiten. KI-Systeme zitieren üblicherweise die spezifische Quelle.

Wer nur einen davon bedient, bleibt bei den übrigen unsichtbar. Aus diesem Grund hat Stefano Fonseca diese Systematik früh in sein eigenes Geschäftsmodell übersetzt: Er spezialisierte sich ausschliesslich auf AI Visibility für GreenTech im DACH-Raum, während die meisten Unternehmen der Branche noch keine Strategie für KI-Sichtbarkeit hatten.

Dieser Vorsprung lässt sich direkt in die fünf Prompt-Typen übersetzen: Wer informierenden und vergleichenden Content früh aufbaut, besetzt Themenräume, bevor sie umkämpft sind. Der AI Visibility Content-Retainer von Stefano Fonseca überträgt genau diese Struktur in publikationsfertigen Content, der auf einzelne Prompt-Typen zugeschnitten ist. Dokumentiert und öffentlich nachvollziehbar in der laufenden Fallstudie zur eigenen KI-Sichtbarkeit.

Warum gewinnen vergleichende und lokale Anfragen an Bedeutung?

Lokale und vergleichende Prompts wachsen, weil Nutzer KI-Systeme zunehmend als Entscheidungsassistent nutzen. Wie weit das bereits geht, zeigt eine Beobachtungsstudie zu 177 ChatGPT-Sitzungen bei der Suche nach lokalen Dienstleistern (Sagapixel, zitiert in ALM Corp, 2026): Nutzer prüfen darin im Schnitt 3,7 Unternehmen pro Sitzung, nur 27 Prozent begnügen sich mit einer einzigen Option; und rund 40 Prozent fühlen sich bereits nach der KI-Antwort bereit, einen Anbieter zu kontaktieren, ohne dessen Website zu besuchen. 

Für Unternehmen bedeutet das: Wer bei lokalen oder Nischen-Prompts nicht zu den geprüften Optionen zählt, taucht in der Entscheidung gar nicht erst auf. Unabhängig davon, wie stark die Marke bei informationellen Prompts sonst abschneidet. Vergleichende Prompts verschärfen diesen Effekt zusätzlich: KI-Systeme wägen dabei explizit Kriterien gegeneinander ab und bilden daraus eine Rangfolge statt einer einfachen Ergebnisliste.

Fazit: Fünf Prompt-Typen bestimmen die Sichtbarkeit in KI-Antworten

KI-Antworten entstehen anhand der Prompt-Architektur. Sie folgen der erkannten Absicht hinter den Nutzerfragen. Unternehmen, die Content gezielt auf navigationale, informationelle, transaktionale, vergleichende und lokale Prompts ausrichten, erhöhen ihre Zitierchance in jedem einzelnen Typ. Der erste Schritt: die eigene Content-Bibliothek nach diesen fünf Typen durchsehen und Lücken identifizieren.