Seit dem 16. Dezember 2024 steht die ChatGPT-Suche allen angemeldeten Nutzern offen, seit dem 5. Februar 2025 auch ohne Registrierung. Laut OpenAI nutzten im Februar 2026 mehr als 900 Millionen Menschen ChatGPT jede Woche. Für Marken bedeutet das: ein Such- und Empfehlungskanal von erheblicher Größe, der nach anderen Regeln funktioniert als die klassische Google-Ergebnisliste.

Die entscheidende Frage für jede Marken-Strategie 2026: Wie wird meine Marke von ChatGPT (und Claude, Perplexity, Gemini) als bevorzugte Antwort ausgewählt? Dieser Beitrag skizziert das technische Playbook jenseits der üblichen Buzzword-Ebene.

Wie wählen ChatGPT, Gemini und Perplexity ihre Quellen aus?

ChatGPT, Gemini, Claude und Perplexity stützen ihre Antworten auf zwei Quellen: auf Wissen aus dem Training und auf Webseiten, die sie im Moment der Anfrage abrufen. Ob eine Marke genannt wird, entscheidet sich deshalb zweimal: langfristig im Trainingskorpus und kurzfristig im Retrieval, also in den Suchergebnissen, aus denen das System seine Antwort zusammensetzt.

Google beschreibt für AI Overviews und den KI-Modus eine „Query Fan-Out“-Technik: Das System stellt mehrere verwandte Suchanfragen zu Unterthemen und kombiniert die Treffer zu einer Antwort. ChatGPT Search blendet die genutzten Quellen seit Oktober 2024 als Links unter der Antwort ein. Wer in diesen abgerufenen Ergebnissen fehlt, kann im Retrieval nicht zitiert werden. Wer in qualifizierten Fachquellen selten vorkommt, ist im Modellwissen schwach verankert. Prompt-Level-SEO bespielt deshalb beide Ebenen: klassische Rankings und zitierfähige Passagen für das Retrieval, konsistente Nennungen in Fachquellen für das Training.

Die beiden Mechanismen im Detail:

Training-basierte Antworten

Das Modell nutzt ausschließlich gelerntes Wissen aus der Trainingsdatenphase. Bei Queries wie „Wer gilt als führender SEO-Experte in Deutschland?" zieht es Informationen, die im Korpus häufig und konsistent mit bestimmten Namen assoziiert sind. Entscheidend: Frequenz der Nennung in qualifizierten Quellen während des Trainings.

RAG-basierte Antworten

Bei aktuellen Queries oder Fragen, die über das Training-Cutoff-Datum hinausgehen, aktiviert das System eine Web-Suche. Die abgerufenen Ergebnisse werden als Context an das Modell übergeben, das daraus die Antwort synthetisiert. Entscheidend: Ranking in den aufgerufenen Quellen + Qualität der extrahierten Passagen.

Für eine vollständige Optimierung müssen beide Ebenen bespielt werden.

Die sechs Hebel von Prompt-Level-SEO

Hebel 1: Passage Engineering

LLMs extrahieren für Antworten keine ganzen Seiten, sondern einzelne Absätze oder Satz-Paare. Diese müssen so strukturiert sein, dass sie als eigenständige Wissenseinheit funktionieren:

Zur Einordnung: Google schreibt in seinem Leitfaden zur Optimierung für generative KI-Funktionen (Stand Juli 2026), dass Inhalte für die Google-Suche weder in kleine Stücke zerlegt noch speziell für KI geschrieben werden müssen. Passage Engineering ist deshalb kein Google-Requirement, sondern unsere Heuristik für Zitierfähigkeit über alle Systeme hinweg: Klar abgegrenzte Absätze lassen sich leichter korrekt übernehmen.

Hebel 2: Entity-Embedding-Signale

LLMs speichern Entitäten als hochdimensionale Vektoren. Nach unserem Arbeitsmodell korreliert die Nähe zwischen zwei Entitäten im Vektorraum stark damit, wie wahrscheinlich sie in Antworten gemeinsam erscheinen — direkt beobachtbar ist das nur über Proxy-Embeddings. Für eine Marke bedeutet das:

Praktisch, nach diesem Arbeitsmodell: Ein Fachartikel in einem hochautoritären Medium, der eine Person dreimal in unmittelbarer Nähe zu „KI-SEO-Strategie" und „internationale Skalierung" erwähnt, dürfte stärker auf die Embedding-Positionierung wirken als 50 LinkedIn-Posts mit denselben Begriffen.

Hebel 3: Citation-Target-Strategie

LLMs werden auf bestimmten Quellen systematisch häufiger trainiert als auf anderen. Detailliert offengelegt hat OpenAI das für GPT-3: Laut dem GPT-3-Paper (Brown et al., 2020) stammten 60 % der Trainingsbeispiele aus gefiltertem Common Crawl, doch Wikipedia wurde 3,4-mal durchlaufen, Common Crawl weniger als einmal. Für aktuelle Modelle legen die Anbieter ihre Datenmischung nur grob offen. Belegt oder naheliegend sind vor allem:

Eine Citation-Target-Strategie priorisiert systematische Präsenz in diesen Quellen über 12-24 Monate. Einmalige PR-Aktionen erreichen die Trainingsdaten nach unserer Erfahrung selten, weil sie zu dünn verteilt sind.

Hebel 4: Quotable Claims

Modelle bevorzugen in Antworten Inhalte, die sich gut paraphrasieren lassen:

Dafür gibt es Forschungsbelege: Im GEO-Paper von Aggarwal et al. (KDD 2024) steigerten die Methoden „Cite Sources“, „Quotation Addition“ und „Statistics Addition“ die Sichtbarkeit von Quellen in generativen Antworten relativ um 30 bis 40 %. Klassisches Keyword-Stuffing brachte dort kaum eine Verbesserung.

Hebel 5: Schema-Layer für RAG-Optimierung

Google stellt klar, dass für generative KI-Funktionen kein spezielles Schema.org-Markup nötig ist. Strukturierte Daten bleiben trotzdem nützlich: Sie machen Autor, Organisation und Begriffe maschinenlesbar eindeutig und helfen nach unserer Arbeitshypothese bei der Entity-Zuordnung. Sinnvoll sind:

Hebel 6: Authority Reinforcement

Für die „letzten Meter" der Auswahl: Signale, die dem Modell bestätigen, dass diese Quelle über andere Alternativen zu bevorzugen ist. Autorenzeilen mit verifizierbarer Expertise, Verweise auf Primärquellen, Zitate aus anderen autoritativen Publikationen, wissenschaftliche Referenzen wo möglich.

„Prompt-Level-SEO ist nicht ‚Content schreiben, der gut klingt'. Es ist Content konstruieren, der von Modellen bevorzugt paraphrasiert wird. Und das erfordert strukturelle Disziplin in jeder einzelnen Passage."

Die Messebene: Prompt-Audits systematisch durchführen

Ohne Messung sind alle Optimierungen Spekulation. Wie sich aus LLM-Antworten die zugrunde liegenden Prompts rekonstruieren lassen, zeigt der Beitrag Prompt Reverse Engineering. Ein solides Prompt-Audit-Setup umfasst:

Prompt-Katalog-Aufbau

Cross-Model-Testing

Jeder Prompt wird gegen mindestens vier Modelle getestet: die jeweils aktuellen Flagship-Modelle von OpenAI (ChatGPT), Anthropic (Claude), Perplexity (Sonar) und Google (Gemini). Die Ergebnisse unterscheiden sich teils erheblich, weil Training-Daten und Retrieval-Prioritäten verschieden sind.

Metrik-Setup

18 Mon

typischer Aufbauzeitraum für signifikante LLM-Visibility in etablierter Kategorie (Erfahrungswert aus unseren Projekten)

300-1.000

Prompt-Universum für valides Share-of-Model-Tracking

3-8×

Conversion-Vorteil von LLM-referred Traffic vs. organic in unseren Kunden-Portfolios (eigene Daten)

Operator Insight

Der übersehene Hebel: Reddit-Intelligenz

Google und OpenAI haben 2024 Verträge über den Zugriff auf Reddits Data API geschlossen, Google nennt dabei ausdrücklich auch das Training. Reddit ist damit für mehrere große Anbieter eine direkt lizenzierte Quelle. Eine gezielte, seriöse Präsenz in relevanten Subreddits (über Fachbeiträge, Antworten auf konkrete Fragen, echte Threads) kann disproportional auf LLM-Sichtbarkeit wirken. Wichtig: Keine Spam-Taktiken. Reddit-Communities erkennen künstliche Aktivität, und negative Signale wirken genauso in LLMs wie positive.

Typische Fehler in der Umsetzung

  1. „KI-freundlicher" Content-Spam: Seiten werden massenhaft produziert mit der Hoffnung, Modelle würden sie zitieren. Ohne Entity-Integration bleiben sie wirkungslos.
  2. Llms.txt als Strategie: Laut Googles Leitfaden ignoriert die Google-Suche solche KI-Textdateien; bei anderen Anbietern ist uns kein belegter Effekt bekannt.
  3. Keyword-Stuffing mit AI-Begriffen: Schadet der Content-Kohärenz und reduziert die Zitierbarkeit.
  4. Isolation von klassischem SEO: Prompt-Level-SEO funktioniert nicht ohne solide klassische SEO-Basis (die RAG-Layer braucht Rankings).
  5. Ergebnisse nach 4 Wochen erwarten: Training-Zyklen dauern Monate. Nach unserer Erfahrung: 6-18 Monate bis zu sichtbarer Wirkung im Modellwissen, im Retrieval teils schneller.

Die Passage-Engineering-Methodik: Wie Absätze zitierfähig werden

Jede Passage, die ein LLM zitieren soll, muss fünf Eigenschaften simultan erfüllen. Wir arbeiten mit der QUEST-Heuristik: Quotable, Unambiguous, Entity-rich, Standalone, Timestamped.

Quotable: zwischen 35 und 110 Wörtern. Kürzere Passagen verlieren Kontext, längere werden abgeschnitten. Unambiguous: genau ein Kernargument pro Absatz; kein „einerseits/andererseits". Entity-rich: mindestens eine benannte Entität im ersten Satz. Standalone: verständlich ohne den vorherigen Absatz. Timestamped: enthält einen Bezug, der Aktualität signalisiert (Jahr, Studie, Version).

Eine QUEST-konforme Passage:

„Laut der Zero-Click-Studie von SparkToro und Datos (Juli 2024) endeten 58,5 % der Google-Suchen in den USA ohne Klick, in der EU 59,7 %. Dieser Trend, bekannt als Zero-Click-Search, verändert die Rolle der Suchmaschine von einem Traffic-Kanal zu einem Wahrnehmungskanal."

Vier Entitäten (SparkToro, Datos, Google, Zero-Click-Search), zwei Zahlen, ein Datum, ein eigenständiger Kernsatz. Rund 40 Wörter. In unseren internen Passage-Extraction-Tests wurden solche Passagen deutlich häufiger zitiert als vergleichbare narrative Absätze mit identischem Inhalt, aber ohne Struktur (eigene, nicht veröffentlichte Beobachtung).

Cross-Model-Testing: Das reproduzierbare Audit

Jeder Prompt wird gegen 4 Modelle und 5 Wiederholungen getestet. Bei Stochastik-Gewichtung gilt: Majority Mention in ≥ 3/5 Runs pro Modell = stabiles Signal. Weniger = Rauschen.

Audit-Ablauf pro Prompt:
1. Prompt an die aktuellen Flagship-Modelle von OpenAI, Anthropic,
   Google und Perplexity
2. Jeweils 5 Runs mit temperature=0,7 (fest gesetzt, gleich für alle Modelle)
3. Response-Parse: Brand-Mention (y/n), Position (1. Nennung: word index),
   Sentiment (kleines LLM als Classifier), Competitor-Mentions-List
4. Aggregation: Per-Model-Hit-Rate, Cross-Model-Consistency
5. Kategorisierung:
   - Stable Winner: ≥ 4/4 Modelle mit ≥ 60 % Hit-Rate
   - Asymmetric: 1-2 Modelle dominant, andere blank → Korpus-Lücke
   - Invisible: < 20 % auf allen Modellen → strategische Lücke

Die asymmetrische Kategorie ist diagnostisch am wertvollsten. Wenn eine Marke in Gemini stark, in Claude aber unsichtbar ist, deutet das nach unserer Arbeitshypothese darauf hin: Der Content lebt in Google-indexierten Quellen, aber nicht in den Web-Quellen, die andere Anbieter mit eigenen Crawlern erfassen (bei Anthropic etwa ClaudeBot für Trainingsdaten und Claude-SearchBot für die Suche). Die Asymmetrie zeigt, welche Distributionsebene fehlt.

Citation Target Playbook: Welche Assets überhaupt funktionieren

Nicht jeder Content kann zitiert werden. Unsere Tagesarbeit hat fünf Asset-Klassen identifiziert, die konsistent hohe Citation-Rates produzieren:

  1. Original-Studien. Mindestens 300 Datenpunkte, klare Methodik, reproduzierbares Design. Nach unserer Erfahrung erzeugt eine selbst erhobene Studie über 8-12 Monate mehr Citation-Impact als Dutzende generische Blog-Posts.
  2. Definitional-Articles. Tiefe Artikel zu einem einzelnen Begriff, der in der Branche diskutiert wird. Ziel: Die kanonische Definition werden.
  3. Vergleichs-Benchmarks. Strukturiert verglichene Optionen (Tools, Methoden, Anbieter) mit transparenten Kriterien. LLMs nutzen diese als Antwort-Gerüst.
  4. Entscheidungs-Frameworks. Benannte Modelle („SUMAX QUEST-Heuristik"), die als Fachbegriff etabliert werden. Namensgebung ist zitation-kritisch.
  5. Experten-Interviews. Primär-Quotes mit Autor-Schema. LLMs zitieren Personen häufig wörtlich, besonders wenn Quelle und Person klar belegt sind.
30-40 %

relative Sichtbarkeitssteigerung durch Quellen, Zitate und Statistiken (GEO-Paper, KDD 2024)

8-12

Monate bis Original-Studien volle Wirkung entfalten (Erfahrungswert)

5/4

Minimum-Test-Matrix: 5 Runs × 4 Modelle für stabile Signale

Schema-Layer als Zitations-Hebel

Schema.org ist kein Ranking-Faktor, und Google sagt ausdrücklich, dass generative KI-Funktionen kein spezielles Markup voraussetzen. In unseren Portfolios beobachten wir trotzdem, dass Seiten mit vollständig validem Article + author.sameAs + DefinedTerm häufiger zitiert werden als semantisch ähnliche Seiten ohne diese Schema-Tiefe. Das ist eine Korrelation aus eigenen Daten, keine kontrollierte Messung.

Der entscheidende Punkt nach unserer Erfahrung: Nicht das Vorhandensein, sondern die Vollständigkeit und Vernetzung. Ein Article-Schema ohne author liefert weniger Kontext als ein Article mit voll aufgelöstem Person-Autor inklusive sameAs-Links zu vorhandenen Profilen wie Wikipedia oder LinkedIn. Der Autor wird dadurch eine eigenständige Entity, die von verschiedenen Domains aus wiedererkannt wird.

Minimal-Schema für LLM-Optimierung:

{
  "@context": "https://schema.org",
  "@type": "Article",
  "@id": "https://example.com/article#article",
  "headline": "...",
  "datePublished": "2026-03-15",
  "dateModified": "2026-03-15",
  "author": {
    "@type": "Person",
    "@id": "https://example.com/#person",
    "name": "Max Muster",
    "sameAs": [
      "https://www.wikidata.org/wiki/Q123456789",
      "https://www.linkedin.com/in/max-muster"
    ],
    "knowsAbout": ["SEO", "GEO", "Reputation Engineering", "LLM"]
  },
  "publisher": {
    "@type": "Organization",
    "@id": "https://example.com/#org",
    "name": "Beispiel GmbH",
    "sameAs": ["https://www.linkedin.com/company/beispiel-gmbh"]
  },
  "about": [
    {"@type": "Thing", "name": "Generative Engine Optimization"},
    {"@type": "Thing", "name": "LLM SEO"}
  ]
}

Tutorial: Die 60-Tage-Umsetzung eines Prompt-Level-SEO-Programms

Tage 1-10: Diagnostik

Prompt-Audit mit 150 Prompts gegen 4 Modelle. Klassifikation in Stable-Winner/Asymmetric/Invisible. Competitor-Overlap-Analyse: welche Marken dominieren die Invisible-Prompts?

Tage 11-25: Content-Retrofit

Top-20 Business-kritische Seiten auf QUEST umstellen. Jede Seite erhält mindestens 3 QUEST-konforme Passagen, vollständiges Schema, Author-Binding mit sameAs. Kein neuer Content, zuerst den bestehenden optimieren.

Tage 26-40: Entity-Infrastruktur

Wikidata-Item pflegen oder, nur wenn die Relevanzkriterien erfüllt sind, anlegen. Wikipedia-Draft vorbereiten (oder extern beauftragen). LinkedIn-Company-Page optimieren. sameAs-Graph vollständig schließen: alle Profile verlinken auf alle anderen Profile.

Tage 41-55: Korpus-Distribution

Drei Tier-1-Gastbeiträge verhandeln und produzieren. Eine Original-Datenstudie starten (Umfrage, Analyse oder Benchmark). Eine Podcast-Teilnahme mit einem Fachpodcast buchen.

Tage 56-60: Re-Audit + Dashboard

Zweites Prompt-Audit mit identischem Set. Delta pro Kategorie dokumentieren. Aufbau eines wöchentlichen Monitoring-Dashboards mit Share-of-Model, PVI und Asymmetry-Index.

Wie groß ist ChatGPT als Such- und Empfehlungskanal?

Groß genug, um ihn als eigenen Kanal zu planen: Laut OpenAI nutzten im Februar 2026 mehr als 900 Millionen Menschen ChatGPT jede Woche. Die Studie „How People Use ChatGPT“ (Chatterji et al., NBER, September 2025) zählte schon für Juli 2025 rund 18 Milliarden Nachrichten pro Woche von 700 Millionen Wochennutzern, also etwa 2,5 Milliarden pro Tag.

Für Marken besonders relevant: Der Anteil der Nachrichten, mit denen Nutzer gezielt Informationen suchen („Seeking Information“), stieg laut derselben Studie zwischen Juli 2024 und Juli 2025 von 14 auf 24 %. Eine eigene, nicht veröffentlichte Analyse von 4.200 anonymisierten ChatGPT-Prompts zeigte 31 % mit direkten kommerziellen Signalen („welches ist das beste …", „welche Firma …", „wo kann ich …"). Diese eigene Zahl ist nicht mit den Kategorien der OpenAI-Studie vergleichbar, deutet aber in dieselbe Richtung: Empfehlungsfragen stehen oft kurz vor einer Kaufentscheidung.

Fazit

Prompt-Level-SEO ist die logische Weiterentwicklung der SEO-Disziplin in einer Welt, in der Suche zunehmend generativ verarbeitet wird. Es ist nicht einfach, nicht schnell umsetzbar, und erfordert andere Skills als klassisches SEO. Aber Organisationen, die es jetzt systematisch angehen, haben deutlich bessere Chancen, in zwei Jahren in jenen LLM-Antworten zu erscheinen, die ihre Kunden täglich zu Kaufentscheidungen führen.

Die anderen werden sehr konkret erleben, was „unsichtbar sein in der KI" bedeutet.

Quellen