In ChatGPT gefunden werden: Der Leitfaden für KI-Sichtbarkeit

ChatGPT wählt Quellen danach aus, wie präzise ein Textfragment eine Frage beantwortet und wie eindeutig die Entität dahinter identifizierbar ist. Die Antwort entsteht nicht durch Linksetzung, sondern durch den Abgleich von Bedeutungsnähe zwischen Nutzerfrage und Textpassage.

Semantische Vektordistanz beschreibt, wie nah ein Textabschnitt inhaltlich an einer Frage liegt. Das System berechnet diese Nähe über Embeddings, also numerische Darstellungen von Bedeutung. Je geringer die Distanz, desto wahrscheinlicher übernimmt das Modell ein Fragment in die generierte Antwort.

OpenAI betreibt zwei getrennte Systeme mit unterschiedlicher Funktion. Das Basismodell GPT-4 arbeitet mit Trainingsdaten, die einen festen Stichtag haben. SearchGPT, die in ChatGPT integrierte Websuche, ruft dagegen aktuelle Seiten über den OAI-SearchBot ab und bewertet sie in Echtzeit. Eine Princeton-Studie zur generativen Suchoptimierung zeigt: Gezielte Strukturierung erhöht die Sichtbarkeit von Inhalten in den untersuchten Antwortsystemen, in einem Beispielszenario um bis zu 40 Prozent.

Für die AI Citation Rate – die Quote, mit der ein Dokument in generierten Antworten als Quelle auftaucht – zählt vor allem eines: Steht deine Kernaussage direkt und ohne Umschweife im ersten Abschnitt? Sprachmodelle entnehmen Zitate bevorzugt aus klar abgegrenzten, selbsterklärenden Textblöcken. Ein Fließtext, der Kontext voraussetzt, wird seltener zitiert als ein Absatz, der für sich allein verständlich ist.

Klassisches SEO optimiert für eine Liste von zehn blauen Links. Bei ChatGPT funktioniert dieses Modell anders: Es entsteht keine Liste, sondern eine einzelne, synthetisierte Antwort aus mehreren Quellen gleichzeitig.

Das trainierte Sprachmodell greift auf einen eingefrorenen Wissensstand zurück, der bei einem bestimmten Trainingsdatum endet. SearchGPT kombiniert diesen Wissensstand mit aktuellen Suchergebnissen, die über den OAI-SearchBot abgerufen werden. Eine Website kann im Basismodell unsichtbar sein, in der Echtzeit-Websuche aber zitiert werden, und umgekehrt. Beide Pfade verlangen unterschiedliche technische Voraussetzungen.

Information Gain beschreibt den messbaren Mehrwert eines Textabschnitts gegenüber bereits bekannten, im Modell gespeicherten Informationen. Ein Dokument, das nur vorhandenes Wissen wiederholt, liefert keinen Information Gain und wird seltener zitiert als ein Dokument mit neuen Fakten, Zahlen oder Einordnungen. Google und OpenAI bewerten diesen Mehrwert unabhängig voneinander, aber nach ähnlicher Logik: Neuheit schlägt Wiederholung.

Darüber entscheidet nicht die Position in einer Rangliste, sondern die Distanz zwischen Frage und Antwort im Bedeutungsraum des Modells.

Ein Fachartikel mit hundert Backlinks bleibt bei ChatGPT oft kaum sichtbar, wenn er keine eigenständig verständlichen Fakten liefert. Backlinks signalisieren Autorität im klassischen Linkgraphen von Google. Sprachmodelle bewerten Textqualität dagegen über Faktendichte und Formulierungsklarheit. Linkaufbau bleibt relevant für die klassische Websuche, ersetzt aber nicht die inhaltliche Strukturierung einer GEO Optimierung.

Wer ausschließlich auf Backlinks setzt, verbessert damit seine Position in klassischen Rankings, gewinnt aber nicht automatisch an ChatGPT Sichtbarkeit.

ChatGPT liest Webseiten nicht wie ein Mensch von oben nach unten. Das Sprachmodell zerlegt Inhalte in Entitäten – eindeutig benennbare Größen wie Unternehmen, Personen, Produkte oder Leistungen – und ordnet sie in Beziehung zueinander.

Entität: eine eindeutig identifizierbare Größe, etwa eine Marke, eine Person oder ein Produkt, die ein KI-System von anderen Größen im selben Themenfeld unterscheiden kann.

Fehlt diese Eindeutigkeit, kann ein Modell wie GPT-4 deine Marke nicht von einem Wettbewerber mit ähnlichem Namen trennen. Die Folge: keine Zitation, weil keine sichere Zuordnung möglich ist. Strukturierte Daten im Format JSON-LD übersetzen diese Entitäten in ein Format, das Maschinen ohne Interpretationsspielraum verarbeiten.

Schema.org stellt dafür standardisierte Vokabulare bereit. Die Typen Organization, Person und Product sind die drei häufigsten Ankerpunkte für deine B2B-Website. Jede Entität braucht eine sameAs-Eigenschaft, die auf externe Profile verweist – etwa LinkedIn, Wikipedia oder Crunchbase.

Google schreibt in der eigenen Dokumentation zu strukturierten Daten, dass Markup keine Rankinggarantie ist, aber die korrekte Interpretation von Inhalten durch Algorithmen und Sprachmodelle erleichtert. Für ChatGPT heißt das: Je eindeutiger du eine Entität beschreibst, desto geringer das Verwechslungsrisiko. Die Zitationswahrscheinlichkeit steigt entsprechend.

So setzt du es um: Prüfe mit dem Schema Markup Validator von Google, ob die wichtigsten Entitäten deiner Seite – Organisation, Personen, Hauptleistungen – vollständig mit sameAs-Verweisen hinterlegt sind.

Ein einzelner optimierter Blogartikel reicht nicht aus, um dauerhaft in ChatGPT-Antworten aufzutauchen. Dafür braucht es einen wiederholbaren Prozess, der von der Themenarchitektur bis zur Erfolgsmessung reicht. Das folgende 5-Schritte-Framework bildet diesen Prozess ab und baut auf den Konzepten Entität und kanonisches Wissensdokument auf.

Im ersten Schritt ordnest du Marke, Kernleistungen und wichtigste Personen als eindeutige Entitäten. Daraus entsteht eine Themenlandkarte mit einem Hauptthema und mehreren Unterthemen, den Topic Clusters. Ein Werkzeug wie Google Search Console liefert dafür die Ausgangsdaten: Welche Fragen stellen Nutzer bereits, welche Begriffe tauchen in Suchanfragen auf.

Kanonische Wissensdokumente sind thematisch gebündelte Seiten, die ein Fachgebiet vollständig und mit hoher Informationsdichte abdecken, statt es auf viele kurze Artikel zu verteilen. Pro Cluster erstellst du ein Dokument mit mindestens 1.500 Wörtern, das Definitionen, Daten und Einordnungen enthält. Diese Dichte erhöht die Wahrscheinlichkeit, dass ein Sprachmodell den Text als Beleg heranzieht.

Dieser Schritt wird im Abschnitt zu Entitäten und strukturierten Daten vertieft und hier nicht wiederholt.

Dieser Schritt wird im Abschnitt zum technischen Setup separat behandelt.

Die AI Citation Rate beschreibt den Anteil deiner Inhalte, die in Antworten von Sprachmodellen als Quelle oder Beleg erscheinen, gemessen über wiederkehrende Testanfragen. AI protokolliert, bei welchen Prompts deine Marke in ChatGPT, Perplexity oder Google AI Overviews genannt wird. Aus diesen Messwerten leitest du die Generative Share of Voice ab: wie oft deine Marke im Vergleich zu drei bis fünf definierten Wettbewerbern in denselben Antworten auftaucht. Beispielszenario: Liegt deine AI Citation Rate nach drei Monaten bei 12 von 50 getesteten Prompts, zeigt das einen Ausgangswert für jede weitere Optimierung.

So setzt du es um: Lege für jeden Topic Cluster ein kanonisches Wissensdokument an und teste es monatlich mit denselben 10 bis 15 Prompts in ChatGPT.

Die robots.txt-Datei liegt im Root-Verzeichnis deiner Domain und legt fest, welche Crawler welche Bereiche lesen dürfen. Für ChatGPT sind zwei Bots relevant, die unterschiedliche Aufgaben erfüllen und getrennt angesprochen werden müssen.

GPTBot ist der Crawler von OpenAI, der Inhalte für das Training zukünftiger Sprachmodelle sammelt. OAI-SearchBot ist der separate Crawler, der Seiten für Echtzeit-Antworten der ChatGPT-Suche indexiert. Sperrst du GPTBot, verhinderst du die Nutzung für Trainingsdaten. Die Sichtbarkeit in aktuellen Suchantworten bleibt davon unberührt, weil OAI-SearchBot unabhängig davon crawlt.

Ein korrektes Setup erlaubt beide User-Agents explizit über eigene Zeilen in der robots.txt, etwa „User-agent: OAI-SearchBot“ gefolgt von „Allow: /“. Tools wie Google Search Console oder der Screaming Frog SEO Spider zeigen dir, ob ein Crawler zugreift, liefern aber keine direkte Bestätigung für OpenAI-Bots. Server-Logfiles sind die verlässlichere Quelle: Taucht OAI-SearchBot in den letzten 30 Tagen mehrheitlich mit Statuscode 200 auf, ist der Zugriff technisch gesichert.

Betreibst du eine B2B-Website mit Login-Bereichen oder Preiskalkulatoren, sperre gezielt einzelne Unterverzeichnisse statt einer kompletten Blockade. Eine pauschale Disallow-Regel für „/“ schließt sämtliche Unterseiten aus, inklusive der kanonischen Wissensdokumente, die für Zitationen vorgesehen sind.

Klassisches SEO-Denken überträgt Methoden aus dem Google-Ranking direkt auf Sprachmodelle. Dabei entstehen vier Fehler, die in der Praxis immer wieder auftauchen.

Keywords in unnatürlicher Dichte zu wiederholen, bringt bei Sprachmodellen keinen Vorteil. Ein Modell wie GPT-4 bewertet Textqualität über semantische Kohärenz – also darüber, wie sinnvoll und zusammenhängend ein Text Bedeutung vermittelt – und nicht über Keyword-Frequenz. Überoptimierte Texte mit künstlich hoher Keyword-Dichte stufen Sprachmodelle in internen Qualitätsbewertungen häufig als minderwertig ein.

Agenturen produzieren oft zehn kurze Artikel statt eines fundierten Dokuments. Sprachmodelle ziehen aber bevorzugt Quellen heran, die ein Thema vollständig abdecken, nicht die Summe vieler Fragmente.

Aus Sorge vor Content-Diebstahl blockieren IT-Abteilungen oft sämtliche KI-Bots ohne Differenzierung. Das betrifft, wie im technischen Setup beschrieben, auch den für Sichtbarkeit relevanten OAI-SearchBot.

Google Analytics zeigt Referral-Traffic aus ChatGPT nur unvollständig, da viele Antworten ohne Klick auskommen. Wer ausschließlich Sitzungen in Google Analytics als Erfolgsmaßstab nutzt, übersieht Zitationen ohne Linkklick und unterschätzt die tatsächliche Reichweite in KI-Antworten systematisch.