Wie wählen KI-Systeme wie ChatGPT ihre Quellen aus?
KI-Systeme wählen ihre Quellen nicht auf Seiten-, sondern auf Passagenebene und in mehreren Stufen: Das Modell zerlegt eine Nutzeranfrage in Teilfragen, ruft für jede Teilfrage passende Textpassagen aus dem Web ab und bewertet diese anschließend nach Relevanz und Autorität. Der technische Prozess dahinter heißt Retrieval-Augmented Generation, kurz RAG (Brandt, KIME, 2026).
Ein wichtiger Zwischenschritt bleibt oft unbemerkt: Rund 60 Prozent aller ChatGPT-Anfragen werden ausschließlich aus dem trainierten Modellwissen beantwortet, ohne dass überhaupt eine Websuche stattfindet (Digital Bloom, 2025/2026). Nur bei den restlichen 40 Prozent kommt Retrieval ins Spiel. Und selbst dort wird nur ein Bruchteil des abgerufenen Materials tatsächlich zitiert: ChatGPT zitiert am Ende lediglich rund 15 Prozent der Seiten, die es abruft (Discovered Labs, 2026).
Innerhalb der Retrieval-Phase kombinieren moderne KI-Systeme zwei Suchverfahren: semantische Vektorsuche nach Bedeutung und BM25-Keyword-Matching nach Wortübereinstimmung. Diese hybride Suche liefert eine um 48 Prozent bessere Trefferqualität als ein einzelnes Verfahren allein (Digital Bloom, 2025/2026).
Für Content-Ersteller heißt das: Es reicht nicht mehr, die richtigen Keywords zu treffen, weder können sie sich nicht nur auf semantische Nähe verlassen. Beides muss zusammen spielen. Die Wettbewerbseinheit ist nicht der Artikel, sondern jede einzelne Passage darin. Ein Beitrag konkurriert abschnittsweise mit anderen Anbietern, nicht als Ganzes. Das erklärt, warum fachlich vergleichbare Seiten drastisch unterschiedlich abschneiden: Die Struktur entscheidet, welche Passage die KI extrahieren kann.
Welche Signale entscheiden über eine Zitation?
Backlinks oder Domain-Rating sind nicht mehr entscheidend, sondern Brand-Signale außerhalb der eigenen Website. Die bislang umfangreichste öffentliche Analyse dazu stammt von Ahrefs, das über 75.000 Marken auf Zusammenhänge zwischen Marketing-Signalen und AI-Overview-Präsenz untersucht hat (Linehan, Ahrefs, 2026). Die zentralen Korrelationskoeffizienten – bei denen 1,0 einen perfekten Zusammenhang bedeutet:
| Signal | Korrelation mit KI-Sichtbarkeit | Interpretation |
|---|---|---|
| YouTube-Mentions der Marke | 0,737 | Stärkstes bekanntes Signal, plattformübergreifend wirksam |
| Brand Web Mentions (mit oder ohne Link) | 0,664 | Namentliche Nennung in thematisch passendem Content |
| Branded Anchor Text | 0,527 | Markennennung im verlinkenden Text |
| Branded Search Volume | 0,392 | Menge direkter Suchen nach dem Markennamen |
| Backlinks (klassisch) | 0,218 | Deutlich schwächeres Signal als bei Google |
Der Abstand zwischen Brand-Signalen und Backlinks ist erheblich: Brand Mentions korrelieren rund dreimal stärker mit KI-Sichtbarkeit als Backlinks (Linehan, Ahrefs, 2026). Marken im obersten Quartil der Web Mentions erhalten laut derselben Studie bis zu zehnmal mehr Erwähnungen in AI Overviews als das nächstuntere Quartil.
Neben den Marken-Signalen zählen drei weitere Faktoren:
- Struktur der Passage. Selbstständige Textblöcke von 50 bis 150 Wörtern werden rund 2,3-mal häufiger zitiert als ungegliederte Fließtext-Absätze (Machine Relations, 2026).
- Aktualität. Von KI-Systemen zitierte Inhalte sind im Schnitt 25,7 Prozent frischer als klassische Google-Ergebnisse (LeadSpot, 2026). Seiten ohne Update in den letzten sechs Monaten werden deutlich seltener ausgewählt.
- Autorenangabe. Anonyme Inhalte werden signifikant seltener zitiert als Beiträge mit namentlichem, ausweisbarem Autor – besonders in Themenfeldern mit Fachbezug wie Gesundheit, Finanzen oder Recht (RankScience, 2026).
Warum bleibt guter Content trotz Top-Google-Ranking oft ungenutzt?
Weil KI-Systeme Content nach anderen Kriterien auswählen als Google, und diese Kriterien selten deckungsgleich sind. Nur rund zwölf Prozent der URLs, die ChatGPT zitiert, tauchen zugleich in Googles Top 10 auf (Brandt, KIME, 2026). Anders formuliert: Wer heute auf Position 1 bei Google steht, hat rund 88 Prozent Chance, in ChatGPT trotzdem nicht erwähnt zu werden.
Der Grund ist nicht schlechtere Content-Qualität, sondern eine strukturelle Fehlpassung. Google belohnt Seiten mit hoher Autorität, guter interner Verlinkung und Themenbreite. KI-Systeme dagegen bewerten einzelne Passagen auf drei Kriterien: klar extrahierbare Antwort, konkrete Datenpunkte und namentliche Nennung der Entität, um die es geht. Ein SEO-optimierter Artikel mit erzählerischer Einleitung, ausschweifenden Übergängen und impliziten Bezügen wie „siehe oben“ erfüllt kein einziges dieser Kriterien.
Dazu kommt ein zweiter Punkt: Nur elf Prozent der Domains werden gleichzeitig von ChatGPT und Perplexity zitiert (Digital Bloom, 2025/2026). Das heißt, selbst KI-Systeme untereinander teilen ihre Quellen kaum – ein guter Platz bei einem Anbieter garantiert keine Sichtbarkeit beim nächsten. Wer sich nur auf ChatGPT konzentriert, sieht nicht, wo Perplexity oder Claude bereits eigene Quellenpools aufgebaut haben.
Der dritte Grund liegt jenseits der eigenen Website: Wenn eine Marke in Fachmedien, LinkedIn-Beiträgen, Podcast-Transkripten oder YouTube-Videos nicht regelmäßig namentlich vorkommt, fehlen den KI-Modellen die Retrieval-Signale, um die Marke überhaupt mit einem Thema zu verknüpfen. 85 Prozent der Markennennungen in KI-Antworten stammen von Drittseiten, nicht von der eigenen Website (CiteFlow, 2026).
Was macht Content für KI-Systeme zitierfähig?
Fünf konkrete Merkmale erhöhen die Zitationswahrscheinlichkeit messbar, während drei sie zuverlässig zerstören. Die belastbarsten Zahlen dazu stammen aus der Princeton-GEO-Studie (Aggarwal et al., 2024), die über 10.000 Suchanfragen und acht Themenfelder hinweg getestet hat, welche Content-Modifikationen tatsächlich funktionieren:
- Statistiken einbauen: Content mit konkreten Zahlen wird bis zu 41 Prozent häufiger von KI-Systemen zitiert als reine Fließtext-Beschreibungen (Aggarwal et al., 2024). Der Effekt ist besonders stark bei zuvor schlecht platzierten Inhalten.
- Externe Quellen zitieren: Wer wissenschaftliche Studien oder Branchen-Reports als Beleg nennt, steigert die Zitationsrate um bis zu 115 Prozent – der stärkste Einzeleffekt der gesamten Princeton-Studie (Aggarwal et al., 2024).
- Direkte Zitate von Fachleuten einbauen: Quotation Addition steigerte die Sichtbarkeit in der Studie um 28 Prozent. Kurze wörtliche Aussagen von Experten – auch aus dem eigenen Haus – reichern jede Passage an.
- Antwort im ersten Satz liefern: Der erste Satz unter jeder H2 beantwortet die Frage direkt, ohne Einleitungsformeln. Passagen dieser Bauart werden 3,1-mal häufiger zitiert als narrativ eingeleitete Absätze (Brandt, KIME, 2026).
- Autor namentlich ausweisen: Ein Autorenblock mit Foto, Kurzbio und fachlicher Referenz erhöht das Autoritätssignal – vor allem in beratungsintensiven Feldern (RankScience, 2026).
Drei Muster wirken dagegen als AI-Blocker:
- Impliziter Bezug auf andere Abschnitte: Formulierungen wie „wie oben erwähnt“ oder „im vorherigen Kapitel“ zerstören die Selbstständigkeit einer Passage. Das Modell überspringt sie oder wählt eine Konkurrenzpassage, die allein verständlich ist (Brandt, KIME, 2026).
- Zwei Ideen im selben Absatz: Enthält ein Absatz die Wörter „andererseits“, „gleichzeitig“ oder „allerdings“, ist er meist zu dicht und wird beschnitten. Faustregel: ein Gedanke pro Absatz, zwei bis vier Sätze.
- Pronomen statt Entitäten: Wer „es“, „dieses System“ oder „das Produkt“ schreibt statt den Markennamen zu nennen, liefert dem Modell eine Passage, die aus dem Kontext gelöst ihren Bezug verliert. KI-Systeme entnehmen Passagen selten mit Umgebung.
Genau nach diesen Regeln schreibt Stefano Fonseca Content für GrennTech-Unternehmen: Jede Passage so aufgebaut, dass sie für sich steht, mit klarem Antwort-Satz, expliziter Nennung der Entität und einem konkreten Datenpunkt. Content, der bewusst für die KI-Extraktion geschrieben wurde.
Wie prüfen Sie, ob Ihr Content bei KI-Systemen überhaupt vorkommt?
Ein belastbarer Test besteht aus drei Ebenen und dauert weniger als eine Arbeitswoche. Ohne diesen Blick auf die Ist-Situation bleibt jede AI Visibility-Maßnahme Vermutung:
- Multi-LLM-Abfragen mit realen Kundenfragen: 20 bis 30 Fragen formulieren, wie sie die Zielgruppe stellen würde. Dieselben Fragen auf ChatGPT, Claude, Gemini und Perplexity testen. Nur elf Prozent der Domains werden von ChatGPT und Perplexity gemeinsam zitiert (Digital Bloom, 2025/2026), einzelne Tests verdecken diese Streuung.
- Zitations-Frequenz und -Position auswerten: Zählen, wie oft die Marke erwähnt wird, an welcher Stelle in der Antwort und mit welchem Kontext: empfehlend, neutral oder kritisch. Eine Nennung ohne Empfehlungscharakter ist noch keine Conversion-Chance.
- Brand Mentions außerhalb der eigenen Website erfassen: Werkzeuge wie Ahrefs Brand Radar, BuzzSumo oder Google Alerts erfassen, wo die Marke im offenen Web genannt wird. Fehlen Nennungen im eigenen Themenfeld, ist das der stärkste Hebel für die nächsten Monate.
Erst wenn diese drei Datenquellen zusammenliegen, lässt sich sagen, ob eine niedrige Sichtbarkeit an der Content-Struktur, an fehlender Autorität oder an der Themenbreite liegt. Die Reihenfolge der Maßnahmen ergibt sich aus dem, was das Monitoring zeigt.
Fazit: KI- Sichtbarkeit beginnt bei der Struktur
Content wird nicht deshalb ignoriert, weil er inhaltlich schwach ist, sondern weil er die falsche Struktur hat, in den falschen Kanälen fehlt oder auf die falschen Signale setzt. Wer Passagenstruktur, Brand-Präsenz im offenen Web und namentliche Autorenschaft zusammen betrachtet, erkennt, wo die eigene Sichtbarkeit heute reißt, und wo die ersten Maßnahmen liegen.
